Professional Documents
Culture Documents
modelación
hidrológica
para la infraestructura
natural
Infraestructura
Natural
para la Seguridad Hídrica
Autores:
Boris F. Ochoa-Tocachi1,2
José Cuadros Adriazola3
Edwing Arapa Guzmán3
Natalia Aste Cannock3
Eric Ochoa-Tocachi1
Vivien Bonnesoeur3
Revisión
Morgane Lalonde-Le Pajolec2
Víctor Alarcón Jibaja3
Fabian Drenkhan2
Francisco Román3
Wouter Buytaert2
Gena Gammie4
Editado por Forest Trends Association. Av. Ricardo Palma 698, Miraflores
1ª edición, enero 2022
Esta publicación fue posible gracias al apoyo de la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID)
y el Gobierno de Canadá. Las opiniones expresadas en este documento son las de los autores y no reflejan necesariamente
las opiniones de USAID ni del Gobierno de Canadá.
Cada día tenemos más evidencias de la creciente doble mitigar los riesgos hídricos. Las y los responsables de
crisis de cambio climático e inseguridad hídrica. Los la gestión de los recursos hídricos, el desarrollo de
picos y caídas en el ciclo del agua se traducen en proyectos, y los sustentos técnicos, deben trabajar
inundaciones y sequías en nuestros hogares y empresas, juntos –de forma estratégica y ágil—para usar la mejor
y en pérdidas y daños en nuestras comunidades. información disponible para apoyar la acción con el
cuidado y la urgencia que se requiere en este momento.
Al mismo tiempo, estamos perdiendo aliados
fundamentales en esta lucha: la deforestación y la En Perú, nuestro Proyecto Infraestructura Natural para
degradación de los ecosistemas han aumentado a la Seguridad Hídrica tiene como objetivo movilizar y
niveles sin precedentes, debilitando los mismos ampliar las inversiones en infraestructura natural.
ecosistemas que podrían ayudarnos a adaptarnos a los Nuestra experiencia nos ha enseñado que los modelos
extremos de nuestra nueva realidad. hidrológicos desempeñan un papel fundamental en
este proceso, pero también que, lamentablemente, a
Sin embargo, también vemos compromisos sin precedentes menudo se quedan cor tos a la hora de generar
para hacer frente a estas crisis. Los gobiernos, las empresas información que sea útil, utilizable y utilizada para tomar
y la sociedad civil están empezando a unirse para crear mejores decisiones.
soluciones políticas y financieras innovadoras. En cuanto
a la infraestructura natural para el agua, hay cientos de Este documento es nuestra respuesta a la necesidad de
miles de millones de dólares de nuevo financiamiento contar con una guía para la evaluación cuantitativa de
sobre la mesa – tanto en países desarrollados como en los impactos hídricos de las intervenciones sobre la
países en desarrollo. infraestructura natural que sea accesible para equipos
integrados de responsables de la toma de decisiones y
Para priorizar esos recursos y movilizar las inversiones, especialistas técnicos. Esperamos que este documento
es necesario describir y cuantificar cómo esperamos sea una contribución valiosa al diseño, evaluación y
que esas intervenciones sobre la infraestructura natural movilización de inversiones que tanto necesitamos en
beneficien a nuestras comunidades y contribuyan a estos momentos.
INTRODUCCIÓN 9
Objetivos de la Guía de modelación 10
¿A quién se dirige esta guía? 10
¿Cómo se organiza esta guía? 11
1. MARCO CONCEPTUAL 14
1.1 Infraestructura natural 15
1.2 Servicios ecosistémicos hídricos 18
1.3 Cascada de servicios ecosistémicos 20
1.4 La práctica de la modelación hidrológica 22
1.5 Desarrollo de modelos hidrológicos 25
1.6 Objetivos de la modelación hidrológica 28
VOLUMEN I 30
DEFINIR MODELOS PARA TOMA DE DECISIONES 32
Paso 1. Preguntas de gestión y su alcance 36
Paso 2. Servicios ecosistémicos prioritarios 40
Paso 3. Intervenciones sobre la infraestructura natural que se buscan 46
modelar
Paso 4. Contexto de toma de decisiones, recursos y capacidades 50
Paso 5. Evaluación de modelos hidrológicos disponibles 54
Tipos de modelos hidrológicos 55
Modelos hidrológicos populares 57
Seleccionar el modelo más apropiado 63
Ejemplo de aplicación 64
VOLUMEN II 70
IMPLEMENTAR, VALIDAR Y ANALIZAR MODELOS HIDROLÓGICOS 72
Paso 6. Datos e información 74
Relevancia, credibilidad y legitimidad 75
Importancia de las observaciones y mediciones 76
Disponibilidad de datos secundarios 79
REFERENCIAS 140
Alrededor del mundo, los gobiernos, las empresas y las consideraciones técnicas como con valores e intereses
comunidades se enfrentan a un futuro cada vez más no técnicos. Por lo tanto, el éxito del proceso de
difícil e incierto por las crisis del agua que se intensifican modelamiento requiere que las y los especialistas técnicos,
y se complejizan debido a factores como el crecimiento par tes interesadas y responsables de la toma de
poblacional y el cambio climático. Muchos actores ahora decisiones trabajen juntos para generar información que
están considerando una nueva clase de activos para finalmente sirva para tomar buenas decisiones.
hacer frente a los riesgos hídricos: la infraestructura
natural, incluyendo los bosques, pajonales, humedales y Usar los modelos hidrológicos para mejorar las decisiones
otros elementos que componen los paisajes de nuestras sobre la infraestructura natural requiere entender sus
cuencas hidrográficas y que realizan funciones críticas fortalezas, así como sus limitaciones. La modelación
para apoyar la fiabilidad de la cantidad y calidad del agua. hidrológica, en sí misma, debe ser vista como una herramienta
útil pero también incierta. Tal como en la evaluación de
Aunque la infraestructura natural para el agua ha ganado infraestructura gris, su uso inteligente en la toma de
auge en los últimos años, pasar de la aspiración a la decisiones exige transparentar las fuentes de error, analizar
acción requiere responder a algunas preguntas clave, en forma crítica los resultados obtenidos y reconocer la
como: ¿Dónde están las áreas prioritarias para las inversiones probabilidad de que los valores reales se encuentren fuera
en la infraestructura natural, dado los riesgos hídricos que del intervalo de confianza obtenido con la modelación.
enfrentamos y la infraestructura hidráulica de la que
dependemos? ¿Cómo y cuánto deberíamos invertir en la Asimismo, la modelación no es un reemplazo para el
infraestructura natural y en la infraestructura convencional monitoreo. En zonas escasas de datos, muchas veces
para alcanzar nuestros objetivos hídricos? ¿Cómo podemos existe un interés en usar la modelación hidrológica para
elegir entre los proyectos de infraestructura natural propuestos? estimar los impactos de un curso de acción – y los
modelos pueden agregar valor en estos casos. Sin
Los modelos hidrológicos son una herramienta embargo, los modelos mismos son más confiables cuando
fundamental para ayudar a las y los responsables para usan datos observados en el sistema que trata de
la gestión de recursos hídricos a responder a estas representar –o territorios muy similares. Aun cuando
preguntas, y así entender sus opciones y tomar buenas avanzamos con la aplicación de modelos para tomar
decisiones. Un modelo hidrológico es una representación decisiones en el corto plazo, debemos buscar la manera
simplificada del ciclo del agua que utiliza conceptos y de inver tir en el monitoreo de datos eco-hidro-
aproximaciones de los procesos reales del sistema meteorológicos para mejorar nuestra capacidad de
hidrológico. A través de comparaciones entre análisis y gestión en el mediano y largo plazo.
representaciones de la realidad y escenarios alternativos
que podamos generar en un modelo hidrológico, se Esta guía busca orientar la evaluación de los beneficios
puede producir estimaciones cuantitativas de los hídricos producto de las intervenciones sobre la
beneficios hídricos de distintos cursos de acción (o infraestructura natural utilizando modelos hidrológicos,
inacción) en la infraestructura natural. teniendo en cuenta los retos particulares que se
presentan en estos ejercicios. Se construye sobre
Sin embargo, el uso de modelos hidrológicos plantea insumos valiosos, como el de la Guía para seleccionar
muchos retos que pueden impedir que se genere modelos de ser vicios ecosistémicos para la toma de
información útil para la toma de decisiones, especialmente decisiones, publicada por el World Resources Institute
sobre la infraestructura natural. Muchos de estos retos (Bullock & Ding 2018), y aprendizajes prácticos generados
se reducen a los aspectos técnicos del análisis. Si bien en ejercicios de modelación hidrológica, principalmente
hay varios manuales y guías escritas por y para especialistas en la región andina. Esperamos que esta guía sea un
técnicos para apoyar en estos aspectos (p.ej., Beven, recurso útil, utilizable y utilizado tanto para quienes
2011; Arnold et al., 2021; Pianosi et al., 2015; Rogers et toman las decisiones y como para el equipo técnico
al., 2018), muchos de estos retos tienen que ver con el encargado de la modelación hidrológica, así tendiendo
alcance y enfoque del estudio de modelación, la selección un puente que permitirá que el proceso de modelación
del modelo más adecuado y la interpretación de los genere resultados relevantes y robustos para las preguntas
resultados – aspectos que tienen que ver tanto con de gestión del contexto específico.
El objetivo general de esta guía es proporcionar criterios para el planteamiento, la selección y el uso de modelos
destinados a cuantificar los beneficios hidrológicos previstos de la implementación de proyectos de infraestructura natural.
• Guiar la identificación de preguntas de gestión y el contexto de toma de decisiones sobre las cuales se busca
implementar intervenciones en la infraestructura natural, con el objeto de asegurar que puedan ser modeladas
de manera adecuada;
• Apoyar la selección de modelos hidrológicos apropiados para el contexto de toma de decisiones, con base
en los servicios ecosistémicos hídricos prioritarios, las intervenciones planteadas y la disponibilidad de datos,
capacidades técnicas y recursos disponibles;
• Describir las características de los modelos hidrológicos y del proceso de modelación para la cuantificación
de beneficios hidrológicos producto de las intervenciones sobre la infraestructura natural;
Esta guía está dirigida a profesionales que usan o requieren utilizar modelos hidrológicos:
1. Especialistas en modelación hidrológica, cuyos modelos deban ser usados en proyectos de intervenciones
sobre la infraestructura natural para la seguridad hídrica.
La Guía de modelación empieza con un marco conceptual que describe los conceptos básicos de infraestructura
natural y servicios ecosistémicos hídricos; así, introduce la práctica de la modelación hidrológica, sus objetivos y
aplicación. Luego, divide esa práctica en dos fases, desarrolladas en dos volúmenes. El Volumen I se dirige a
profesionales, con o sin formación hidrológica, durante la primera etapa del proceso de modelación, donde se
define el alcance y contexto de la modelación, y que concluye en la elección de modelos para la toma de decisiones.
El Volumen II presenta detalles técnicos y se dirige a especialistas durante la segunda etapa del proceso de
modelación hidrológica, donde se implementan, validan y analizan modelos. Para cada volumen se incluye un
ejemplo de aplicación, y al final se presentan algunas conclusiones derivadas de este trabajo.
Este diálogo de saberes permite que profesionales que no son especialistas en hidrología puedan acompañar,
supervisar e involucrarse en la práctica de modelación hidrológica, junto con quienes sí son especialistas.
Asimismo, posibilita que el equipo de especialistas entienda la modelación como parte de un proceso integral,
participe de este desde la formulación de las preguntas de gestión, y defina el alcance de la modelación dentro
de un contexto dado de toma de decisiones.
Volumen I. Selección del modelo hidrológico más apropiado para el contexto en cuestión
Paso 3. Conceptualizar las intervenciones sobre la infraestructura natural que se desean modelar.
Paso 4. Reconocer el contexto de toma de decisiones, los recursos, datos y capacidades disponibles.
Paso 5. Evaluar los modelos hidrológicos en este contexto y seleccionar el más apropiado.
Paso 9. Evaluar los cálculos y el desempeño del modelo mediante análisis de sensibilidad y de incertidumbre.
Infraestructura
natural
Cascada de servicios
ecosistémicos
MARCO
CONCEPTUAL
La práctica de la
modelación
hidrológica
Objetivos de la
modelación
hidrológica
CONSTRUIDA VERDE
NATURAL
MARRÓN ANCESTRAL
GRIS AZUL
Figura 1. Infraestructura para la seguridad hídrica. La infraestructura gris y verde no son antagónicas, sino
existen varias soluciones híbridas que involucran elementos de una y otra. La infraestructura natural es un
complemento a la infraestructura construida por los seres humanos. Fuente: Elaboración propia.
Otro término popular que tiene relación es el de 2018), las SbN para el agua se definen como un conjunto
soluciones basadas en la naturaleza (SbN) de acciones que están inspiradas y soportadas por la
(UICN, 2020a). Según la Unión Internacional para la naturaleza y que usan o mimetizan procesos naturales
Conservación de la Naturaleza (UICN), las SbN son que contribuyen a mejorar la gestión del agua. Mientras
“acciones para proteger, gestionar y restaurar de manera que un ámbito de la conser vación se centra en
sostenible los ecosistemas naturales o modificados que salvaguardar la biodiversidad por su valor irremplazable,
hacen frente a los desafíos sociales de manera efectiva las SbN se centran en salvaguardar a la sociedad
y adaptativa, proporcionando simultáneamente siguiendo las normas y principios de la conservación. Si
beneficios para el bienestar humano y la biodiversidad” bien hay cierta superposición, no todas las intervenciones
(Cohen–Shacham et al., 2016). Las SbN, en particular de conservación son soluciones basadas en la naturaleza
para el agua, han recibido especial atención del organismo (UICN, 2020a, 2020b). El manejo de la infraestructura
asociado a la UNESCO para el agua (UN–Water). En natural para la seguridad hídrica es una solución basada
el World Water Development Report de 2018 (WWAP, en la naturaleza.
Las soluciones basadas en la naturaleza incluyen intervenciones sobre la infraestructura natural, como
la purificación de aguas residuales y el control de inundaciones (p. ej., humedales saludables); la restauración
del paisaje forestal para reducir los impactos de eventos extremos; la estabilización de laderas y producción
de agua limpia; la conexión de ríos y acuíferos a llanuras de inundación; la conservación y protección de
los recursos hídricos (p. ej., áreas protegidas); el establecimiento de desvíos de inundaciones para reducir
los impactos aguas abajo; los cultivos en pendientes para reducir la erosión y la pérdida de agua; la
ubicación de zonas ribereñas de amortiguamiento para mantener la calidad del agua y reducir la erosión;
la protección y restauración de manglares, humedales costeros y dunas; la conservación y restauración
de humedales; la protección y restauración de los arrecifes para la protección costera y el hábitat; las
soluciones híbridas que contienen elementos incorporados que interactúan con las características
naturales y buscan mejorar sus servicios ecosistémicos relacionados con el agua; la captación de agua
de lluvia con techos verdes; la mejora de la infiltración para reducción de escorrentía urbana (p. ej.,
pavimentos permeables); la mejora de la infiltración y biorretención (p. ej., espacios verdes urbanos);
entre otras intervenciones.
De por sí, la naturaleza provee a los seres humanos con beneficios específicos, muchos de los cuales son
cuantificables y valorables en términos económicos reales. Son beneficios que se conocen como servicios
ecosistémicos.
APROVISIONAMIENTO
REGULARES
SOSTENIMIENTO
Valores Formación
espirituales y Alimentos Regulación de la
calidad del aire del suelo
religiosos
Purificación del
agua y tratamiento
de residuos
Control de plagas y
enfermedades
Polinización
Moderación de los
eventos extremos
Precipitación
Interceptación Transpiración
de niebla y nubes
Interceptación de
la cubierta y evaporación
Sombreado
del suelo Escorrentía
superficial
Protección de la Evaporación
superficie del suelo
Desarrollo
del suelo
Atenuación
Infiltración del flujo Filtración
Estabilización en humedales
de suelos
Napa freática Filtración Filtración
ambiental Uso del agua de franjas
de la planta amortiguadoras
Río
B)
Eliminación de
contaminantes
del aire
Productos
forestales
no madereros
Madera
Polinización
Modificación
Captura
del clima local
de carbono
Hábitat
de la fauna
Desarrollo
del suelo Recreación
Río
Desarrollo
del suelo
Figura 3. a) Procesos hidrológicos; y b) servicios ecosistémicos en una cuenca. Las flechas indican procesos y flujos
hidrológicos con una magnitud relativa proporcional al ancho de ellas. Adaptado de Brauman et al. (2007).
Los servicios ecosistémicos se dividen de manera usual en categorías de provisión, servicios de regulación, servicios
culturales y servicios de soporte de personas (ME, 2005). El agua es, por lo común, tratada y discutida como un
servicio de provisión, posiblemente porque se percibe en general al agua como el producto de una cuenca. Sin
embargo, los ecosistemas no crean agua, sino que mueven y modifican flujos. Por lo tanto, la investigación y el manejo
del agua se beneficiarán más si se considera a los servicios ecosistémicos hídricos como servicios de regulación
(Brauman, 2015).
Para trascender desde el entendimiento de la estructura cuenca hidrográfica donde ocurren los procesos
y procesos biofísicos (ecológicos, hidrológicos, biológicos, hidrológicos) que cumplan funciones ecosistémicas (p. ej.,
abióticos, etc.) hacia los beneficios generados por los ralentización del flujo de agua; amortiguamiento de
servicios ecosistémicos, es indispensable identificar a las caudales), que a su vez producen servicios ecosistémicos
beneficiarias y los beneficiarios de estos servicios. Son (p. ej., control de inundaciones; provisión de agua en
pocos los estudios que desarrollan en forma satisfactoria temporada seca). Los ser vicios ecosistémicos se
este último requisito (Harrison–Atlas et al., 2016). Para convierten en la conexión entre el medio natural y el
ello, utilizamos el concepto de “cascada de servicios sistema económico–social, y generan bienes y beneficios
ecosistémicos” (CSE, Figura 4), la cual conecta de para las personas (p. ej., contribución a la alimentación de
manera lógica y sucinta las estructuras y procesos la población mediante agua para irrigación; seguridad de
ecosistémicos con los elementos que impactan sobre los asentamientos humanos frente a inundaciones), los
el bienestar humano, formando una cadena de cuales tienen un valor tangible (p. ej., disposición a pago
producción o cadena de valor (Haines–Young & Potschin, por protección de ecosistemas; mecanismos de retribución
2010; Potschin & Haines–Young, 2011). La CSE para intervenciones en las cuencas). En otras palabras, la
comprende cinco peldaños organizados en dos dominios: CSE revela que para obtener un flujo continuo de servicios
i) el relacionado con el medio ambiente; y ii) el ecosistémicos se requiere proteger, conservar y restaurar
relacionado con el sistema económico–social. El primero la infraestructura natural que les da sustento, a través de
demuestra que se requieren estructuras y procesos la implementación de políticas destinadas a hacer frente
biofísicos de un ecosistema (p. ej., hábitat de un bosque; a las presiones antrópicas sobre ella.
SERVICIOS DE SOPORTE
O INTERMEDIOS
BIENES Y
ESTRUCTURA SERVICIOS BENEFICIOS
PROCESOS
BIOFÍSICOS
FINALES
(p.ej., hábitat de
FUNCIÓN
bosque o
(p.ej.,
productividad
ralentización de
primaria neta) SERVICIO
flujo de agua)
(p.ej., protección
frente a BENEFICIO
inundaciones, (p.ej.,
productos de contribución a
cosecha) determinantes VALOR
del bienestar (p.ej., disposición a
tales como salud pagar por protección
y seguridad) de bosques o por
más productos de
IMPLEMENTACIÓN DE cosecha)
INTERVENCIONES POSÍTIVAS
PARA LIMITAR LAS PRESIONES
ANTRÓPICAS
PRESIONES
Figura 4. Cascada de servicios ecosistémicos. Fuente: Potschin & Haines–Young (2011); Haines–Young & Potschin
(2012). Traducción libre por el Ministerio de Medio Ambiente de Chile.
Dependiendo de quiénes son las beneficiarias y los que ese incremento de cobertura de árboles resulte en
beneficiarios y cuáles son sus características, los servicios una reducción de la producción de agua debido al mayor
ecosistémicos se aprovecharán y valorarán de distinta consumo vegetal. Esta afectación al servicio ecosistémico
manera. Por ejemplo, para una empresa que provee de rendimiento hídrico se convierte en una externalidad,
agua potable, el agua cruda se vuelve su materia prima pero no es necesariamente una prioridad para dicha
(el bien producido por la naturaleza). Para dicha organización forestal. El balance entre intereses, beneficios
beneficiaria, servicios ecosistémicos como el rendimiento y externalidades entre diferentes beneficiarios de un
hídrico total y el mantenimiento de caudales base altos ámbito geográfico determinado debe ser considerado en
durante la temporada seca son prioritarios, pues un análisis integral de servicios ecosistémicos.
representan una mayor cantidad de materia prima que
será procesada; del mismo modo, servicios como la La gestión de los servicios ecosistémicos hídricos generados
regulación de la calidad del agua son importantes para por la infraestructura natural requiere un entendimiento
dicha empresa porque reducen los costos de tratamiento del estado y dinámica de los procesos y funciones que
del agua potable y, por tanto, optimizan la costo– controlan dichos servicios. Ese estado y dinámica son
eficiencia de la producción. Otros servicios asociados, sensibles a los efectos de intervenciones humanas sobre
como el mantenimiento de la biodiversidad o el secuestro la infraestructura natural, las que no solo consisten en
de carbono, son cobeneficios deseables, pero no acciones físicas, sino que incluyen políticas, estrategias y
necesariamente son servicios prioritarios para esa prácticas estrechamente ligadas a las decisiones de manejo
empresa. Para otra beneficiaria, por ejemplo, una tomadas. Las intervenciones sobre la infraestructura
organización forestal, la producción de madera y el natural modifican, positiva o negativamente, los servicios
secuestro de carbono mediante el incremento de la ecosistémicos generados por esta. Para analizar este
biomasa vegetal sí son una prioridad, aunque es posible efecto se pueden utilizar modelos hidrológicos.
Seleccionar Implementar
Paso 3: Conceptualizar las el modelo la modelación Paso 8: Calibrar y validar
intervenciones sobre la hidrológico hidrológica e el modelo hidrológico de
infraestructura natural que más integrar el manera robusta e
se desean modelar. apropiado proceso idealmente automatizada.
Figura 5. Marco conceptual de la práctica de la modelación hidrológica para seleccionar y usar modelos hidrológicos.
Adaptado de: Bullock & Ding (2018).
Existen muchos modelos hidrológicos entre los cuales reservorios conceptuales. Otros modelos, más complejos,
elegir, y los modelos mismos están en constante implementan conceptos basados en física para
evolución por sus equipos desarrolladores a fin de representar los procesos hidrológicos ocurrentes y sus
mejorar su desempeño y utilidad. El universo de modelos controladores —por ejemplo, el efecto de las condiciones
disponible contiene diversos niveles de complejidad, climáticas, el consumo de agua por la vegetación, la
características, representación de procesos, así como partición de agua en el suelo y sobre la superficie, etc.—.
utilidad. Por ejemplo, hay modelos hidrológicos que Mientras que unos modelos agrupan una unidad de
agrupan toda una cuenca hidrográfica en un solo análisis en un solo elemento agregado, otros modelos
elemento que funciona de manera agregada, elemento son desagregados espacialmente y generan resultados
que recibe entradas de agua —por ejemplo, lluvia— y de manera distribuida en el área de análisis. Sin embargo,
representa los procesos internos mediante conceptos una mayor complejidad en un modelo hidrológico no
simples como reservorios de agua lineales que descargan se traduce necesariamente en mejores resultados para
caudal en función del volumen de agua actual en dichos preguntas particulares de toma de decisiones.
La selección de un modelo hidrológico debe guiarse por Es necesario reconocer que la modelación hidrológica
la naturaleza de las preguntas planteadas, la disponibilidad no entrega todas las respuestas a todas las preguntas
de datos e información, la capacidad técnica para operar de gestión existentes. La modelación hidrológica para
el modelo y la relevancia de los resultados producidos la toma de decisiones requiere que las preguntas de
para responder e informar efectivamente las preguntas gestión sean conceptualizadas y traducidas en preguntas
iniciales. Así, esta guía no provee información sobre que un modelo hidrológico pueda responder; también
modelos hidrológicos específicos, sino acerca del proceso requiere reconocer qué preguntas no pueden ser
por el cual las tomadoras y tomadores de decisión respondidas con los modelos hidrológicos disponibles
pueden seleccionar qué modelos utilizar, así como en la actualidad. Para aquellas preguntas que sí pueden
desarrollar y analizar escenarios de modelación y definir ser atendidas por modelos hidrológicos, este documento
e interpretar los resultados obtenidos. Esta guía les ofrece una guía para informar la práctica de la modelación
permitirá a quienes toman decisiones trabajar con hidrológica en sus múltiples etapas, con el objetivo de
equipos consultores o personal técnico especialista, a fin que tomadoras y tomadores de decisión no especialistas
de seleccionar modelos adecuados y hacer más relevante en modelación puedan mejorar su interacción con
la práctica de la modelación hidrológica para la toma de equipos técnicos y personal experto. La meta de esta
decisiones sobre intervenciones en la infraestructura guía es optimizar la eficacia de la modelación como una
natural para la seguridad hídrica. herramienta en la formulación de políticas, la toma de
decisiones y las inversiones en infraestructura natural
para la seguridad hídrica.
MEJOR APROXIMACIÓN
Modelo conceptual:
Revisar ecuaciones Decidir las ecuaciones
Modelo procedimental:
Corregir el código Correr el código o software
Revisar datos
Calibración del modelo:
Revisar valores Obtener valores de parámetros
de parámetros
¿DECLARAR ÉXITO?
NO SÍ
“Un modelo hidrológico puede ser adecuado
para simular flujos lentos y para cierto rango de
valores de precipitación y caudal. Sin embargo, el
mismo modelo puede rendir resultados pobres para
simular caudales de inundaciones”.
Una vez descrito todo el proceso de desarrollo de son fundamentales para aproximarse mejor a la
un modelo hidrológico, entendemos que no todos realidad, pero se requiere un conocimiento profundo
los grupos de trabajo contarán con los recursos para en modelos hidrológicos para que alguien pueda
poder desarrollar un modelo desde el inicio. Muchas revisarlos y aprobarlos en un contexto de toma de
veces, el trabajo de modelación se limitará a decisiones. Por esa razón, en esta guía nos enfocamos,
conceptualizar el alcance y objetivos y a seleccionar primero, en el proceso de selección de modelos
un modelo existente que cumpla con las necesidades hidrológicos ya existentes que respondan a las
del estudio. En muchos casos, escoger un modelo necesidades específicas del caso de aplicación a mano
comúnmente usado puede brindar una mayor y, segundo, en una exposición de buenas prácticas
confiabilidad a quienes evalúen o revisen un estudio. para la implementación de la modelación hidrológica,
Los modelos personalizados para ciertas aplicaciones con independencia del modelo seleccionado.
las finanzas, donde los resultados de una acción concreta entrada, como el clima o el estado de conservación de
o de una serie de acciones se prevén. Lo opuesto es ex suelos. Este tipo de cambios son imposibles de observar
post (ex–post o expost), que significa “después del mediante monitoreo, pues se requeriría tener control
hecho”. sobre las variables de entrada. Aun cuando se puedan
realizar experimentos a escala de laboratorio o de parcela
Las proyecciones o simulaciones de escenarios ex ante en los que se modifiquen variables específicas del sistema
son útiles para evaluar el comportamiento hidrológico hidrológico, ello —además de ser difícil extrapolar los
antes de que ocurran cambios. Observar respuestas reales resultados a una escala de aplicación— resulta insuficiente
del sistema implica manipular diferentes variables de para entender las interacciones del área intervenida con
el resto del sistema hidrológico.
Finalmente, los modelos hidrológicos permiten mejorar permite estimar el movimiento del agua en un medio
la manera en que estamos generando información en poroso —en este caso, el suelo de una cuenca— sin
campo destinada a la cuantificación de los elementos del necesariamente medir el flujo directamente en campo.
ciclo hidrológico. Las observaciones in situ sufren Otro ejemplo es la estimación de la evapotranspiración.
limitaciones espaciales y temporales. Por ejemplo, no es Las mediciones directas de evapotranspiración son
posible medir el caudal en las salidas de todas las cuencas costosas y por lo general se utilizan modelos para
debido a limitaciones tecnológicas y de recursos cuantificar esta variable a partir de otras variables
financieros; asimismo, algunos procesos hidrológicos no meteorológicas (p. ej., temperatura, humedad del aire,
se pueden medir de manera directa y se usan algunas radiación solar, velocidad del viento). De esta manera, la
variables proxy que son incorporadas a modelos modelación hidrológica llena un vacío generado por las
simplificados. Un ejemplo claro es el del movimiento del limitaciones de realizar mediciones en el tiempo y en el
agua subterránea, el cual es estimado acoplando espacio. Esto permite apoyar y robustecer el monitoreo
mediciones de la energía y la conductividad hidráulicas eco-hidro-meteorológico para optimizar los recursos
del suelo en ecuaciones sencillas como la ley de Darcy. limitados disponibles, tanto durante el diseño de proyectos
Esta ley es un modelo sencillo de una ecuación, que de infraestructura natural cuanto en su evaluación ex post.
Esta sección está dirigida a especialistas en la formulación y evaluación de proyectos en infraestructura natural, así
como a tomadoras y tomadores de decisión que no sean especialistas en hidrología o en modelación hidrológica,
pero que requieran los resultados de modelos hidrológicos para tomar y evaluar decisiones sobre infraestructura
natural. También se dirige a especialistas en modelación hidrológica para que comprendan a la modelación como
parte de un proceso integral y sean partícipes de este proceso desde la formulación de las preguntas de gestión y
definan el alcance de la modelación dentro de un contexto dado de toma de decisiones. El contenido de esta sección
se basa en la Guía para seleccionar modelos de servicios ecosistémicos para la toma de decisiones: lecciones de África
subsahariana, producida por el World Resources Institute (Bullock & Ding, 2018).
Esta fase consiste en cinco pasos y veinte preguntas guía que concluyen con la selección del modelo. La Tabla 1
muestra el resumen que debe ser completado al final del Volumen I. El contenido de este volumen guía al equipo de
trabajo en el significado e interpretación de cada pregunta guía y los criterios que deben tomarse en cuenta para
responder cada pregunta de la manera más clara y efectiva. El Volumen1 de la práctica de modelación concluye con
la selección del modelo hidrológico o caja de herramientas de modelación. Al referirnos a una caja de herramientas
resaltamos la posibilidad de que un solo modelo hidrológico no responda a todas las preguntas planteadas, por lo
que podría ser necesario considerar un conjunto de modelos hidrológicos.
P2. ¿Cómo podemos definir el alcance de esta pregunta de manera que obtengamos
salidas relevantes del modelo?
PASO 1.
Determinar las
preguntas de
gestión y definir su P3. ¿Qué formatos (p. ej., series de tiempo de caudal, mapas de variables biofísicas)
alcance. se requieren de las salidas del modelo?
P4. ¿Qué niveles de exactitud y precisión son necesarios para tomar una decisión
sobre esta pregunta?
P5. ¿Qué servicios ecosistémicos son importantes para nuestra toma de decisiones
y a qué escala geográfica?
P7. ¿Qué indicadores hidrológicos pueden ser utilizados para obtener respuestas
representativas de estos servicios?
PASO 3.
Conceptualizar las
intervenciones
sobre la
infraestructura P10. ¿Cuál es la conceptualización del funcionamiento de las intervenciones que
natural que se buscan modelarse?
desean modelar.
P13. ¿Cuál es el tiempo disponible para realizar la modelación con el fin de informar
PASO 4. la decisión en cuestión?
Reconocer el
contexto de toma
de decisiones, los
recursos, datos y
capacidades
disponibles.
P14. ¿Qué datos están disponibles para atender la pregunta de gestión en cuestión?
P15. ¿Se cuenta con la calidad de datos necesaria para los modelos hidrológicos
preferidos?
PASO 4. P16. ¿Existe capacidad técnica interna y experiencia previa para operar modelos
Reconocer el hidrológicos potencialmente relevantes?
contexto de toma
de decisiones, los
recursos, datos y
capacidades
disponibles.
P17. ¿De ser necesario, ¿existen los recursos que financien capacidad técnica
externa para operar un modelo seleccionado?
P20. ¿Qué otros modelos son alternativas factibles para el ejercicio de modelación?
El objetivo de este paso es determinar la pregunta (o las preguntas) de gestión para definir un alcance que pueda
ser respondido por la modelación. Aquí también es necesario definir la escala geográfica e identificar el tipo de salidas
deseadas (p. ej., mapas, datos, indicadores, metas), así como los niveles de exactitud y precisión esperados. El resultado
que se busca con este paso es alcanzar un mejor entendimiento de las preguntas de gestión, traducirlas de manera
que puedan ser atendidas por los modelos, y obtener el formato, la precisión y la exactitud deseados de las salidas
del modelo para informar la toma de decisiones prevista. Algunas preguntas guía para este paso son:
• P1. ¿Cuál es la pregunta de gestión que queremos atender usando el modelo hidrológico?
• P2. ¿Cómo podemos definir el alcance de esta pregunta de manera que obtengamos salidas relevantes del
modelo?
• P3. ¿Qué formatos (p. ej., series de tiempo de caudal, mapas de variables biofísicas) se requieren de las salidas
del modelo?
• P4. ¿Qué niveles de exactitud y precisión son necesarios para tomar una decisión sobre esta pregunta?
La primera pregunta guía debe ser el primer paso antes de decidir el uso de un modelo, pues resume el problema
a la mano. La pregunta de gestión es diferente de la pregunta hidrológica o de modelación porque tiene un alcance
mayor que solo el ámbito hidrológico. La gestión política, como tal, es la actividad de gobierno y organización de
las sociedades sobre los asuntos que afectan a una sociedad o a un país. Entonces, este nivel de pregunta incluye
aspectos vinculados al desarrollo socioeconómico, a la conservación del medio ambiente e incluso al giro de
negocio de una empresa privada.
• ¿A dónde deberíamos dirigir los fondos de restauración de infraestructura natural para generar el mayor
impacto?
• Si invertimos en la conservación de la infraestructura natural, ¿esto ayudará a aquellas personas que viven
en pobreza?
• ¿Se puede ahorrar dinero en la provisión de agua potable al recuperar cierto humedal?
La definición del alcance de la pregunta de interés es el diálogo entre la política y la modelación hidrológica;
como se observó líneas atrás, el ámbito político es mucho más amplio que el ámbito hidrológico. Al definir el
alcance de la pregunta en términos hidrológicos, se traduce el interés social e institucional en una pregunta o
en una hipótesis de modelación, lo cual hace posible que el modelo pueda ser una herramienta de apoyo a la
toma de decisiones sobre la pregunta identificada. Asimismo, definir aquel alcance permite clarificar los objetivos
del modelamiento, da luces sobre qué modelo seleccionar y hace posible determinar las variables hidrológicas
que pueden ser modeladas y atendidas por las herramientas de simulación.
Las preguntas señaladas más atrás pueden ser traducidas en preguntas de modelación de la siguiente manera:
• ¿Cuáles son las zonas más efectivas para realizar cambios de cobertura vegetal o uso de suelo que
mejoren servicios ecosistémicos específicos (p. ej., control de sedimentos, control de inundaciones)?
• ¿Cuáles son los beneficios económicos de mantener el estado de conservación de los ecosistemas para
quienes dependen de los servicios ecosistémicos (p. ej., agricultura de subsistencia, ganadería, agua limpia)
como medios de vida?
• ¿Cuál es la reducción en los costos de tratamiento de un agua de mejor calidad producida por el humedal
restaurado?
Un modelo hidrológico produce, por lo general, como productos derivados que representen, ilustren, visualicen
salidas, series de tiempo o productos SIG (sistemas de o comuniquen mejor un mensaje que responda a la
información geográfica o mapas) de variables hidrológicas, pregunta de gestión definida arriba. Es necesario reflexionar
como caudal, caudal base, humedad del suelo, carga de acerca de: ¿Cuáles son los intereses particulares de las
sedimentos, concentración de sedimentos, concentraciones tomadoras y tomadores de decisión y cuáles son sus
de elementos químicos, cargas de contaminantes, entre experticias y disciplinas?, ¿se requieren productos de
otras. Estos resultados pueden considerarse como variables biofísicas o de variables económicas?, ¿es
“crudos” y deben ser posprocesados para obtener necesario generar mapas que muestren las salidas del
• ¿Se requieren estimaciones de servicios ecosistémicos muy precisas para representar el estado actual de
la infraestructura natural?
• ¿Se requieren estimaciones muy precisas para comparar y decidir entre alternativas diferentes?
• ¿Se requieren estimaciones moderadamente precisas para estimar el estado futuro o el valor económico
de la infraestructura natural?
• ¿Se requieren estimaciones moderadamente precisas con la finalidad de localizar áreas de intervención
priorizadas para la generación de servicios específicos?
• ¿Se requieren estimaciones de tendencias generales, pero no valores exactos tan precisos, para guiar el
desarrollo de políticas o la comunicación y concienciación de la población?
El objetivo de este paso es definir qué servicios ecosistémicos son de interés en la pregunta de gestión pertinente
y cuáles son prioritarios en el ejercicio de modelación. La identificación de los servicios ecosistémicos de interés
facilita poder reconocer qué modelos hidrológicos son capaces de modelarlos. Claramente, esto viene de la mano
con la delimitación de la escala geográfica de análisis que permitirá enfocar los esfuerzos de recolección de datos y
apoyar en la precisión de los niveles de resolución de las salidas del modelo esperadas. El resultado esperado de este
paso es haber definido el ecosistema (o los ecosistemas), así como el servicio ecosistémico que se debe modelar y
su escala de análisis. Se puede ver, por ejemplo, la revisión sistemática de Harrison–Atlas et al. (2016), que desarrolla
una tabla de criterios con el objeto de cuantificar servicios ecosistémicos hídricos para la toma de decisiones. Las
preguntas guía que se deben responder aquí son:
• P5. ¿Qué servicios ecosistémicos son importantes para nuestra toma de decisiones y a qué escala geográfica?
• P6. ¿Qué procesos y funciones hidrológicas controlan los servicios ecosistémicos hídricos prioritarios?
• P7. ¿Qué indicadores hidrológicos pueden ser utilizados para obtener respuestas representativas de estos
servicios?
Los servicios ecosistémicos hidrológicos más importantes (Tabla 2 a Tabla 6) para la gestión de la infraestructura
natural son (Bonnesoeur et al., 2019):
1. RENDIMIENTO HÍDRICO
La capacidad de una cuenca para convertir los ingresos de agua en ella, en caudal a su salida.
¿Qué es?
El rendimiento hídrico se puede entender como la “fábrica” de agua.
La cantidad total de agua disponible en la cuenca en ríos, quebradas o pozos, durante todo
el año, sin considerar aspectos como regularidad o estacionalidad, es importante para las
¿Para quién es
importante? usuarias y los usuarios de agua con capacidad de almacenamiento —por ejemplo, centrales
hidroeléctricas; embalses para uso agrícola, doméstico o industrial—, que demandan grandes
volúmenes de agua.
2. REGULACIÓN HIDROLÓGICA
La capacidad de una cuenca para amortiguar la variabilidad de los ingresos de agua con el
propósito de generar una salida de caudal más homogénea —por ejemplo, atenuar caudales
¿Qué es?
de crecida y mantener caudales base durante periodos secos—. La regulación hidrológica
se puede entender como la “esponja” de agua en la cuenca.
La preservación del caudal base es clave para que las y los usuarios de agua se enfrenten a la
¿Para quién es escasez hídrica resultado de la estacionalidad, la variabilidad del clima y el cambio climático.
importante? Esto es en particular significativo para quienes carecen de capacidad de almacenamiento
artificial.
Tabla 4. Servicio ecosistémico de regulación de la calidad del agua. Fuente: Elaboración propia.
La capacidad de una cuenca para mejorar las características físicas, químicas y biológicas del
¿Qué es? agua mientras esta fluye por la cuenca, y para reducir la concentración de contaminantes. La
depuración de la calidad del agua se puede entender como el “filtro” de la cuenca.
La calidad del agua es algo significativo para las y los usuarios que requieren características
físicas, químicas o biológicas específicas o controladas. Por ejemplo, las empresas de agua
potable utilizan plantas de tratamiento; mientras mejor sea esa calidad, menor será el costo
¿Para quién es de tratamiento. De manera similar, las centrales hidroeléctricas requieren agua con buenas
importante? características físicas a fin de evitar la colmatación de los embalses y el deterioro de las
turbinas durante el proceso de generación eléctrica. Otros, como los municipios locales,
requieren características físicas, químicas y biológicas buenas para poder suministrar agua
potable a su población.
Una buena calidad del agua depende de las siguientes características naturales:
¿Qué elementos • Una buena cobertura vegetal que proteja el suelo
o procesos • Una buena estructura del suelo y una baja pendiente que evite la erosión
influyen? • Un bajo ingreso de contaminantes físicos, químicos o biológicos producto de las actividades
humanas y, en ocasiones, de fuentes naturales
La capacidad de una cuenca para regular los fenómenos extremos —por ejemplo, de
¿Qué es? precipitación— a fin de controlar la magnitud, frecuencia y duración de eventos extremos
como inundaciones o movimientos de masa (deslizamientos de tierra).
El control de los caudales de crecida es fundamental para reducir los efectos de las inundaciones
¿Para quién es
importante? en las personas y actividades que se ubican en áreas propensas a aquellas. Los deslizamientos
de tierra se encuentran entre los desastres más destructivos en los Andes.
La capacidad de una cuenca para controlar la erosión laminar (erosión difusa) y mejorar
la fertilidad y humedad del suelo y la producción vegetal. Las propiedades de los suelos
¿Qué es?
afectan la provisión de otros servicios ecosistémicos, como la producción vegetal, el forraje,
los cultivos, etc.
Los suelos en buen estado benefician a múltiples sectores de manera directa; por ejemplo,
¿Para quién es al sector agropecuario, que aprovecha los suelos para cultivos o pastos. Otros se benefician
importante? en forma indirecta; por ejemplo, aquellos que cuentan con reservorios susceptibles de
colmatación se benefician de una erosión reducida.
Existen, también, posibles compromisos entre los servicios ecosistémicos; es decir, en ocasiones, incrementar un
servicio puede resultar en la reducción de otro. Un ejemplo común es el de la forestación con especies exóticas. Las
plantaciones forestales pueden ayudar a mejorar la regulación hídrica e, incluso, el almacenamiento de carbono en la
biomasa; sin embargo, la vegetación arbórea, al ser más grande que la vegetación herbácea nativa, puede consumir más
agua, lo que reduce el rendimiento hídrico total. Asimismo, la introducción de especies exóticas puede resultar en una
reducción de la biodiversidad. Si bien la forestación en suelos degradados puede mejorar la infiltración de agua en el
suelo por acción de las raíces, existe un compromiso entre cuánta más agua puede infiltrarse y almacenarse en el suelo
y cuánta agua es consumida por efectos de la evapotranspiración y almacenamiento interno de los árboles (Figura 7).
A lo largo del año.
BOSQUE REGENERACIÓN TIERRA
NATURAL DEL BOSQUE DEGRADADA
65%
42%
28%
2% 2% 11%
28%
19%
11%
2% 3% 22%
67% 72% 62%
3% 6% 4%
Figura 7. Balance hídrico en función de la precipitación. Adaptado de: van Meerveld et al. (2021).
Es necesario, entonces, considerar cobeneficios y compromisos entre servicios ecosistémicos cuando se toman decisiones
de intervención en los ecosistemas de la cuenca. Los modelos hidrológicos considerados deben ser capaces de modelar
los servicios ecosistémicos prioritarios y proporcionar información cuantitativa relevante para informar la toma de
decisiones. Es prudente resaltar que, en general, un modelo no va a poder modelar todos los servicios ecosistémicos.
Aunque se deben considerar los múltiples impactos en el territorio, se tienen que priorizar los servicios de mayor
interés y aquellos que serán más impactados por las intervenciones sobre la infraestructura natural consideradas.
Este paso tiene como objetivo definir los tipos de intervenciones sobre la infraestructura natural que se desean
modelar, a fin de compararlos con el conjunto disponible de modelos hidrológicos y determinar si son capaces —y
cómo— de representar las intervenciones dentro de los parámetros y procesos del modelo. El resultado esperado
de este paso es un conjunto de intervenciones definidas —acompañadas de propuestas conceptuales que pueden
ser implementadas en los modelos—, para comparar los modelos disponibles, y evaluar su capacidad y utilidad de
modelación de dichas intervenciones. Pueden usarse las siguientes preguntas guía:
• P9. ¿Cuáles son las intervenciones, sobre la infraestructura natural en el terreno, que se desean modelar?
• P10. ¿Cuál es la conceptualización del funcionamiento de las intervenciones que buscan modelarse?
• P11. ¿Cómo se puede representar el funcionamiento de las intervenciones sobre la infraestructura natural en
los modelos hidrológicos?
Para modelar las intervenciones sobre la infraestructura natural, los modelos hidrológicos utilizan variables, como uso
y cobertura del suelo, propiedades de almacenamiento de agua en el suelo, intervenciones de tipo superficial en el
terreno (barreras, depresiones, etc.), o características de recarga de agua subterránea. La conceptualización del
funcionamiento de las intervenciones debe basarse en las variables y representaciones que emplean los modelos
hidrológicos para garantizar su utilidad, con el fin de evaluar diferencias en la respuesta hidrológica producto del
cambio de dichas variables, así como los efectos de una variación en la complejidad, precisión y sensibilidad de los
modelos. La Tabla 7 muestra un conjunto de intervenciones en la infraestructura natural, cuyos efectos pueden ser
conceptualizados con el fin de modelarlas utilizando procesos sencillos.
Reducir la velocidad
Creación de áreas de la escorrentía con
de protección en la diferentes coberturas.
parte alta de la Utilizar mapa de
cuenca cobertura y uso de
suelo para conservación.
Comparar escenarios
Instalación de antes y después
sistemas de uso de un proyecto
productivo de uso sostenible
sostenible como mediante variables
agroproductivos, de caracterización de
agroforestales o suelos y vegetación en
silvopastoriles áreas intervenidas.
Compra de predios Sustentar reducción
en zonas de interés de caudales líquidos y
hídrico para sólidos para protección
protección o
restauración de áreas.
Comparar manante
degradado o
Protección de desaparecido.
manantes y su área Determinar área de
de acceso
contribución y área de
influencia del manante.
Utilizar mapa de
cobertura y uso de
Clausura de pastos suelo para conservación.
naturales para Modificar variables
evitar el ingreso de
ganado de propiedades de
almacenamiento de
agua en el suelo.
Implementación de
sistemas de Modificar variables
pastoreo rotativo de propiedades de
en praderas almacenamiento de
naturales para
eliminar agua en el suelo.
sobrepastoreo
Mejoramiento
genético de ganado Cambio de coberturas
en áreas fuera de de vegetación en áreas
los ecosistemas no pastoreadas.
bajo protección
Cambio de coberturas
Cambio de crianza de vegetación con
de ganado lechero pastoreo y propiedades
por la de camélidos de los suelos para
sudamericanos evaluar la reducción en
erosión.
Evaluar la efectividad
Restauración de de la infraestructura
infraestructura en el almacenamiento.
ancestral de Utilizar funciones de
infiltración ralentización de flujo y
tiempo de residencia.
Evaluar la capacidad
de almacenamiento
y reducción de la
velocidad del flujo;
Construcción de evaluar la capacidad
zanjas de de control de erosión
infiltración y reducción de
escorrentía; evaluar las
tasas de infiltración de
agua.
Evaluar la efectividad
Construcción de de la infraestructura
infraestructura en el almacenamiento.
rústica de Utilizar funciones de
almacenamiento o ralentización de flujo y
infiltración tiempo de residencia
Determinar cambios en
la evapotranspiración,
Forestación con consumo de agua de
especies exóticas la vegetación arbórea
y modificaciones en
rendimiento hídrico.
Sustentar el uso de
coberturas para
recuperar zonas
Forestación de degradadas; utilizar
zonas degradadas mapas de degradación;
o muy vulnerables modificar variables de
infiltración de agua en
los suelos.
Recuperación de Evaluar las coberturas
bosques nativos, actuales y proponer
primarios y nuevos usos de suelo
secundarios
Plantear alternativas
de recuperación a
partir de coberturas e
Recuperación de infraestructuras; evaluar
andenes y terrazas la capacidad de control
prehispánicas de erosión y reducción
de escorrentía; evaluar
las tasas de infiltración
de agua.
Evaluar infraestructuras
Construcción de y coberturas
diques en zonas de en reducción y
pendiente fuerte almacenamiento de
flujo y sedimentos.
Evaluar infraestructuras y
Construcción de coberturas en reducción
terrazas de y almacenamiento de
formación lenta flujo.
Evaluar infraestructuras
Construcción de en reducción y
gaviones para almacenamiento de
estabilizar cárcavas flujo y sedimentos.
Favorecer la reducción
de velocidad y dar
Construcción de conservación vial;
obras de drenaje evaluar la producción
de trochas de sólidos suspendidos
carrozables y aumento en la carga
y concentración de
sedimentos
Una vez que se han identificado las intervenciones sobre la infraestructura natural que se desean modelar; que se
ha conceptualizado un enfoque de modelación para la evaluación de su efectividad, y que se han realizado propuestas
de modelación, es posible reconocer qué modelos hidrológicos pueden ser aptos para producir las simulaciones
esperadas. Esta definición hace que, de un universo de modelos hidrológicos existentes, se pueda obtener un
subconjunto de aquellos modelos que cuenten con el mayor potencial de ser utilizados para el caso en cuestión.
Estos modelos deben ser capaces de atender en forma satisfactoria la pregunta de gestión planteada, de cuantificar
los servicios ecosistémicos hídricos prioritarios y de simular las intervenciones sobre la infraestructura natural
propuestas. A continuación, es necesario entender mejor cómo los modelos pueden responder al contexto específico
institucional y a los recursos, datos y capacidades disponibles.
El primer objetivo de este paso es determinar los intereses de las tomadoras y tomadores de decisión, los recursos
y capacidades iniciales, así como el tiempo disponible para tomar las decisiones. El resultado esperado es lograr un
entendimiento del contexto de toma de decisiones para generar información de relevancia, considerar los recursos
y capacidades específicas de la institución decisora, y establecer los tiempos para tomar decisiones de gestión. Se
pueden utilizar las siguientes preguntas guía:
• P13. ¿Cuál es el tiempo disponible para realizar la modelación con el fin de informar la decisión en cuestión?
Los usos previstos de los resultados de la modelación Otro factor significativo es conocer con qué urgencia se
dependen de manera directa de los intereses de las necesitan los resultados de la modelación para tomar una
tomadoras y tomadores de decisión, formuladores de decisión. El tiempo necesario para obtener resultados de
proyectos y hacedores de política relacionada con la los modelos depende de la complejidad de la estructura
infraestructura natural modelada. Dichos usos pueden del modelo, la disponibilidad de datos y las capacidades
incluir desarrollar escenarios futuros, conducir técnicas para correr el modelo. Si se requiere una decisión
evaluaciones políticas, valorizar los ser vicios rápida, el tiempo se convierte en un condicionamiento
ecosistémicos para una región, determinar las mejores importante que influencia la selección del modelo.Algunas
acciones para mantener o potenciar los ser vicios ventanas de tiempo comunes pueden ser decisiones que
ecosistémicos prioritarios, calcular compromisos entre deben ser tomadas en menos de tres meses, en un lapso
diferentes servicios ecosistémicos, evaluar los beneficios de entre tres y seis meses o de entre seis meses y un
y cobeneficios de las inter venciones sobre la año, o luego de un año.
infraestructura natural, etc. Este contexto debe ser
conocido y entendido por quienes realizarán el ejercicio Existe una interrelación y contrabalance entre la
de modelación —sean profesionales que pertenezcan disponibilidad de datos, los recursos y las capacidades
o no a la institución decisora—, para asegurar que la locales y el tiempo disponible. Los modelos más
modelación hidrológica responda a un interés integral complejos proveen, por lo general, predicciones más
más allá de la teoría hidrológica. precisas y tienen un mayor rango de usos, pero
Capacidad predictiva
(problemas de
(alta)
identificabilidad)
(alta)
Complejidad del modelo
(media)
(baja)
(baja)
(modelo no puede
explotar los datos)
Figura 8. Relación entre disponibilidad de datos, complejidad del modelo y capacidad predictiva. Adaptado de: Grayson
& Bloschl (2000).
• P14. ¿Qué datos están disponibles para atender la pregunta de gestión en cuestión?
• P15. ¿Se cuenta con la calidad de datos necesaria para los modelos hidrológicos preferidos?
• P16. ¿Existe capacidad técnica interna y experiencia previa para operar modelos hidrológicos potencialmente
relevantes?
• P17. De ser necesario, ¿existen los recursos para financiar capacidad técnica externa, al objeto de operar un
modelo seleccionado?
Es necesario, también, evaluar si existe la capacidad técnica que aprovechen dicha información. Si la capacidad técnica
interna para operar modelos hidrológicos. Puede ser que interna es moderada y, además, hay un rango amplio de
la experticia técnica local sea pequeña o esté restringida datos disponibles, se pueden considerar modelos que
por disponibilidad de personal o tiempo. Los modelos sean medianamente complejos y ofrezcan asistencia al
más sencillos podrían ser operados por personal técnico usuario. En estos casos, el fortalecimiento de capacidades
con conocimientos en hidrología limitados, pero se corre del personal técnico interno debe ser considerado como
el riesgo de obtener altas incertidumbres en los resultados una vía eficiente de mejora de resultados. Uno de los
que se alcancen. Algunos modelos pueden ser operados casos más particulares es el de la conceptualización,
con herramientas online y requieren de habilidades desarrollo, construcción, codificación y operación de
técnicas moderadas. Si la capacidad técnica interna para modelos propios hechos a la medida, lo cual requiere de
recolectar datos y operar modelos no está disponible, un conocimiento interno alto que entienda el contexto
hay que preguntarse si existen los recursos económicos de toma de decisiones, los intereses y los recursos
para contratar experticia externa necesaria y suficiente. disponibles (p. ej., Ochoa–Tocachi et al., 2019a). Por último,
Si la respuesta es sí, entonces es importante clarificar la con una perspectiva a largo plazo, es recomendable que
cantidad de recursos disponibles e involucrarse con quienes toman decisión consideren la validación regular
organizaciones y personas que puedan proveer esa de los modelos y la necesidad de ejecutarlos varias veces
experticia y el soporte técnico del caso. durante un periodo de tiempo dado o mientras más y
mejores datos (y, potencialmente, mejores modelos) se
Los modelos más complejos requieren de una capacidad vuelvan disponibles. Con esta perspectiva de planificación
técnica alta, sea interna o disponible mediante la integral, es necesario evaluar si lo más costo–efectivo sería
contratación de un equipo experto externo. Si no se contar con un equipo interno fuerte, bajo un sistema de
cuenta con la experticia interna en modelación, pero formación y entrenamiento continuo, o si es suficiente
algunos datos locales están disponibles y existen los valerse de un equipo experto externo que esté disponible
recursos suficientes para contratar un equipo experto de manera puntual durante periodos cor tos de
externo, se pueden considerar modelos más complejos implementación de un modelo.
El Volumen 1 de la práctica de modelación concluye con la selección del modelo hidrológico (o caja de herramientas
de modelación) que se utilizará para responder la pregunta de gestión de interés (Paso 1) mediante la modelación
de los servicios ecosistémicos hídricos prioritarios (Paso 2), generados o afectados por las intervenciones sobre la
infraestructura natural propuestas (Paso 3), en el contexto de toma de decisiones identificado, usando los datos,
recursos y capacidades técnicas disponibles (Paso 4). El objetivo de este Paso 5 es comparar los resultados de los
pasos 1 al 4 y seleccionar el modelo hidrológico más apropiado. Para guiar a las tomadoras y tomadores de decisión
en esta selección, se presentan en lo que sigue conceptos clave acerca de la teoría de modelación hidrológica y una
comparación de una lista corta de modelos populares. Los resultados esperados de este paso son proveer un mejor
entendimiento de las especificidades técnicas de cada modelo y afinar el número de modelos o herramientas de
modelación que pueden usarse en el contexto de toma de decisiones identificado. Asimismo, luego de realizar los
pasos 1 al 4 de la primera fase de esta guía, las tomadoras y tomadores de decisión deberían ser capaces de seleccionar
uno o dos de los modelos hidrológicos más apropiados para atender sus preguntas mientras se garantiza la capacidad
técnica, disponibilidad de datos y recursos, con el objeto de obtener resultados dentro del tiempo disponible para
tomar decisiones. Las preguntas guía que se responderán en este paso son:
• P18. ¿Cuál es el modelo hidrológico que responde en forma positiva a la mayor cantidad de criterios y cómo?
• P20. ¿Qué otros modelos son alternativas factibles para el ejercicio de modelación?
La variabilidad climática, la diversidad de ecosistemas y la variedad de preguntas por contestar a diferentes escalas
espaciales y temporales, fomentan el desarrollo de diversos enfoques y modelos hidrológicos para responder a
problemas específicos. En este contexto, los modelos hidrológicos existentes son numerosos, e incluso profesionales
en hidrología pueden tener dudas en el momento de escoger entre un modelo u otro. En ocasiones, esta selección
de modelos estará basada en criterios cualitativos; por ejemplo, se utilizará el modelo más popularizado para una u
Un primer paso para poder decidir entre toda la gama elemento para representar la capacidad de
de modelos hidrológicos implica reconocer los diferentes almacenamiento de los componentes del sistema
tipos de modelos disponibles y contar con una idea acerca hidrológico, y flujos simplificados para llenar o vaciar
de qué tipo de modelo escogeríamos sobre la base de estos reservorios (Solomatine & Wagener, 2011). Por
la información disponible y los procesos por representar. último, los modelos de base física —también llamados
Se dispone de varias clasificaciones de modelos basados en procesos o de “caja blanca”— hacen uso
hidrológicos en la literatura (p. ej., Singh, 1995; Refsgaard, de representaciones más detalladas y rigurosas; por lo
1996; Solomatine & Wagener, 2011). En esta guía, dividimos general, se basan en leyes de conservación de masa,
los modelos hidrológicos según: a) el nivel de descripción momento y energía, y están compuestos por ecuaciones
de procesos hidrológicos; b) la discretización espacial; y que representan procesos basados en este entendimiento.
c) la introducción de aleatoriedad en la modelación. Los modelos basados en física son los más complejos y
es común que demanden impor tantes recursos
Por el nivel de descripción de procesos hidrológicos, los computacionales, además de una alta capacidad técnica
modelos se clasifican en: i) empíricos; ii) conceptuales; para su operación.
y iii) de base física. Los modelos empíricos —también
llamados “data–driven” o modelos de “caja negra”— De igual forma, los modelos hidrológicos se clasifican de
son desarrollados sin considerar procesos físicos de acuerdo con su discretización espacial en modelos: i)
manera explícita (Resfgaard, 1996). Ejemplos comunes agregados; ii) semidistribuidos; y iii) distribuidos (Figura
de este tipo son los modelos que usan algoritmos 7). Esto influye en los requerimientos de información a
estadísticos o de aprendizaje de máquina, como redes diferentes escalas, que van desde información resumida
neuronales artificiales (ANN, por sus siglas en inglés) o (como el área de la cuenca) hasta información muy
máquinas de vectores soporte (SVM, por sus siglas en detallada (como mapas espaciales de elevación, suelos o
inglés). Por su par te, los modelos conceptuales cobertura vegetal), y las salidas de los modelos dependerán
caracterizan el funcionamiento del sistema a través de también de estas escalas. Los modelos agregados tratan
representaciones simplificadas de procesos hidrológicos a cada cuenca de estudio como si fuera una unidad, y las
mediante relaciones paramétricas simples. Estos modelos variables y parámetros empleados representan valores
utilizan parametrizaciones de reservorios como principal promedio para toda la cuenca.
Figura 9. Discretización de modelos a escala espacial: agregados, semidistribuidos y distribuidos. Fuente: Elaboración propia.
Según la aleatoriedad que los modelos puedan introducir, algunas extensiones o configuraciones, y ser operado de
estos se clasifican en: i) determinísticos; y ii) estocásticos. forma determinística.
Un modelo determinístico es aquel donde las mismas
entradas producirán de manera invariable las mismas Es necesario advertir que no hay un tipo de modelo
salidas, no contemplándose la existencia del azar ni el que sea mejor que otro; simplemente, tienen aplicaciones
principio de incertidumbre. Esto quiere decir que, si se diferentes. A simple vista, los modelos de base física
repite una simulación usando un conjunto de valores de pueden dar la impresión de reproducir de manera más
parámetros del modelo y variables de entrada fiel la realidad debido a que se aproximan a las leyes
determinados, se obtendrán siempre los mismos aceptadas por la comunidad científica. Sin embargo, su
resultados; asimismo, si se varían los datos de entrada o alta parametrización y alta demanda de datos conllevan
se modifican los parámetros ligeramente, los resultados problemas de modelación y calibración, como la no
serán distintos. Este principio es utilizado posteriormente linealidad, la equifinalidad y la sobreparametrización
para la calibración de los parámetros de los modelos. Sin (Beven, 2011). Por otro lado, la agregación espacial de
embargo, en ciertas ocasiones se requiere la capacidad los modelos agregados o semidistribuidos imposibilitan
de generar un comportamiento estocástico o aleatorio la evaluación de escenarios que requieran una alta
en diferentes componentes del modelo; en tal caso, los resolución espacial (desagregación de lugares). Por
modelos estocásticos permiten aleatoriedad o ejemplo, evaluar el impacto de intervenciones sobre la
incer tidumbre en las salidas, lo cual puede estar infraestructura natural con vistas al control de
considerado en las variables de entrada, las condiciones inundaciones puede requerir un modelo distribuido si
de frontera o los parámetros del modelo (Beven, 2011). se quiere estimar la reducción de áreas inundables en
La utilidad de los modelos estocásticos se resalta para una microcuenca para una tormenta de diseño dada,
procesos que son intrínsecamente aleatorios o inciertos, de la misma manera que el emplazamiento de un
como la ocurrencia de lluvia o las predicciones del clima. portafolio óptimo de intervenciones puede exigir una
mirada desagregada de la cuenca para evaluar dónde
En la práctica, la clasificación de modelos es un poco más estas deben ser colocadas más eficientemente para
difusa. Algunos modelos de base física incorporan, de maximizar los beneficios. Sin embargo, no siempre es
por sí, modelos empíricos. Por ejemplo, muchos paquetes posible —ni necesario— desagregar espacialmente la
de modelamiento de agua subterránea —como Modflow modelación, bien por limitaciones en los datos disponibles,
o Feflow— son descritos como modelos de base física. los recursos computacionales o las capacidades técnicas,
Aun así, estos modelos utilizan la ley de Darcy, la cual fue o bien porque los resultados esperados no requieren
derivada en forma empírica mediante experimentos de la consideración de su distribución espacial, como la
laboratorio (Darcy, 1856). De igual forma, un modelo estimación del rendimiento hídrico total de una cuenca
puede tener la capacidad de ser estocástico, a través de o su balance hídrico.
Tabla 8. Características de modelos hidrológicos relevantes y frecuentemente utilizados. Fuente: Elaboración propia.
Componente de
Modelo Requerimiento de Salidas del
Descripción infraestructura
hidrológico información modelo
natural
Soil and Water Assessment Topografía distribuida Uso y cobertura del Series de tiempo
Tool. Modelo semidistribuido, en modelo digital de suelo, intervención diarias, mensuales y
es una herramienta para elevación (DEM); mapa en la superficie, y anuales de láminas
la evaluación del suelo y de cobertura y uso características de de escorrentía,
agua. Fue desarrollado con del suelo (LULC); tabla la capacidad de infiltración
el objeto de predecir el biofísica del suelo; mapa almacenamiento del (almacenamiento
impacto de las prácticas de de tipo de suelo (textura subsuelo. y aporte
SWAT manejo en la generación y estructura); información subsuperficial),
(Arnold et al., de flujos, sedimentos y climatológica diaria de evaporación
2012) sustancias agrícolas–químicas, precipitación; temperatura y cantidad de
para las prácticas de manejo. máxima y mínima. sedimentos
Es un modelo continuo que transportados.
requiere información sobre
clima, propiedades del suelo,
topografía, vegetación y
manejos.
KINematic runoff and Topografía distribuida Uso y cobertura del Series de tiempo
EROSion model. Modelo en modelo digital de suelo, intervención de caudal, lámina
semidistribuido, orientado a elevación (DEM); mapa en la superficie, de infiltración,
eventos, está basado en los de cobertura y uso y capacidad de concentración,
procesos de interceptación, del suelo (LULC); tabla almacenamiento del erosión,
KINEROS infiltración, escorrentía biofísica del suelo; mapa subsuelo. deposición, y
y erosión. La cuenca de tipo de suelo (textura y producción de
(Woolhiser et al.,
1990) hidrográfica está representada estructura); granulometría sedimentos en la
por una cascada de planos del cauce; y hietograma de cuenca.
y canales. Las ecuaciones se precipitación.
resuelven mediante técnicas
de diferencias finitas.
Modelo de agua subterránea Según los fines del Uso y cobertura del Resultados de
de diferencias finitas. La estudio, puede requerir suelo, intervención balance hídrico
estructura consiste en un información topográfica, en superficie y entre zonas (ríos,
MODFLOW programa principal y una de fuentes y sumideros subterráneo, y pozos, lagos, áreas
serie de subrutinas altamente (ríos, drenes, lagos, pozos, características de de interés).
(Harbaugh, independientes. Las subrutinas etc.) y propiedades la capacidad de
2005) se agrupan en paquetes; cada hidrogeológicas. Realiza almacenamiento del
uno trata de una característica simulaciones en régimen subsuelo.
específica del sistema estático y transitorio.
hidrológico que se debe
simular, como el flujo de ríos.
Tabla 9. Resumen de las características de los modelos hidrológicos considerados. Fuente: Elaboración propia.
SWAT
KINEROS
TOPMODEL
HEC–HMS
MODFLOW
WEAP
RS MINERVE
HBV
LUTZ
SCHOLZ
InVEST
FONAG 2.1
iMHEA
CUBHIC
Tabla 10. Identificación de modelos hidrológicos según capacidad de modelar intervenciones en infraestructura natural. Fuente:
Elaboración propia.
SWAT Sí Sí Sí Sí No
KINEROS Sí Sí Sí Sí No
TOPMODEL Sí * Sí No No
HEC–HMS Sí Sí Sí Sí No
MODFLOW Sí Sí Sí Sí Sí
WEAP Sí * Sí Sí No
RS MINERVE Sí * Sí Sí No
HBV Sí No Sí No No
LUTZ
Sí No Sí No No
SCHOLZ
InVEST Sí Sí Sí Sí No
FONAG 2.1 Sí Sí Sí Sí No
iMHEA Sí Sí * No *
CUBHIC Sí Sí Sí * Sí
COLOMBIA
CHIVAY ECUADOR
H
!
8250000
8250000
PUNO BRASIL
.
!
O
a
C…
uÒ
ch
AN
I
o
R
O
Ì
PA
CÕ
BOLIVIA
FI
8200000
8200000
PUNO
CO
AREQUIPA CHILE
.
!
AREQUIPA
RÌo LEYENDA
C
Límite departamental
or
aq
ga
ue
l
Lin
OMATE
Capital
8150000
8150000
a
H
!
ad
Q uebr
.
! Departamental
H
! Provincial
nd o
ayro
Hu bo
b ra da R Ìo T a m Cuenca Tambo-Moquegua
Q u e
ta
MOLLENDO RÌo T o
ra Represa Pasto Grande
H
!
RÌo Tum ilac a Lagos
8100000
8100000
MOQUEGUA Ríos
Il o
MOQUEGUA .
!
R Ìo
CANDARAVE
H
! Elevación (msnm)
s
uanero
OC
29 - 750
…A
aG
N
751 - 1,500
ad
O
TARATA
Quebr
PA
a H
! 1,501 - 2,250
n TACNA
CÕ
Ho
FIC
a
bra d 2,251 - 3,000
Qu e
8050000
8050000
±
LOCUMBA
O
ILO H
!
H
! 3,001 - 3,750
3,751 - 4,500
km 4,501 - 5,665
0 15 30 60
200000 280000 360000
Existe una diferencia marcada de disponibilidad hídrica entre ambas cuencas. Los problemas de abastecimiento
hídrico en la cuenca Ilo–Moquegua condujeron a la construcción de la presa Pasto Grande (cuenca Tambo), cuyo
trasvase es utilizado para fines agrícolas y poblacionales (ciudades de Moquegua e Ilo). No obstante, se advierte
una problemática hídrica en Pasto Grande con relación a la calidad y cantidad de agua. En la actualidad, la presa
se encuentra al 68 % de su capacidad, la época de estiaje se ha acentuado y los bofedales se han degradado debido
a la ganadería intensiva de alpacas, que disminuye su capacidad de regulación hídrica. También hay presencia de
metales pesados y de algas, que impactan gravemente en la calidad del agua (SUNASS, 2019).
Por otro lado, las principales fuentes de abastecimiento hídrico en la cuenca Ilo–Moquegua se encuentran en la
parte alta. Las captaciones subterráneas y superficiales en la subcuenca del río Tumilaca abastecen al 44 % de la
población de Moquegua (SUNASS, 2019). Sin embargo, se han observado impactos sobre la seguridad hídrica. En
la parte alta de la cuenca se presentan proyectos mineros (Southern y Quellaveco) cuya operación implica una
serie de consecuencias sobre los ecosistemas vitales, como bofedales, además de influencia en el régimen de los
En ese contexto, la cuenca Tambo–Moquegua se presenta como un caso complejo para la gestión integrada de
recursos hídricos, en el que confluyen múltiples intereses y actores (población, sector minero, agrario, etc.). No
obstante, también es un escenario propicio para la articulación y alineación de esfuerzos hacia la recuperación
y conservación de la infraestructura natural, con vistas a sentar las bases para un desarrollo sostenible e
hídricamente seguro. (Tabla 11)
Tabla 11. Ejemplo de aplicación de la guía de preguntas y respuestas de los pasos 1 al 5 para la selección de modelos
hidrológicos para infraestructura natural. Fuente: Elaboración propia.
PASO 2. P6. Qué procesos y El almacenamiento de agua en los suelos de los pajonales
Identificar los funciones hidrológicas y bofedales es uno de los mayores controladores del
servicios controlan los servicios servicio de regulación hídrica.
ecosistémicos
hídricos ecosistémicos hídricos El suelo desnudo es más vulnerable a la erosión que
prioritarios. prioritarios? genera sedimentos en los caudales.
P16. ¿Existe
capacidad técnica
interna y experiencia
Sí existe la capacidad técnica dentro del proyecto INSH y
previa para operar
experiencia previa en los modelos identificados.
modelos hidrológicos
potencialmente
relevantes?
Implementar
la modelación Paso 8: Calibrar y validar el modelo
hidrológica e hidrológico de manera robusta e
integrar el idealmente automatizada.
proceso
Esta sección se dirige a especialistas en modelación hidrológica que requieran generar resultados de modelos
hidrológicos para contribuir a informar decisiones en torno a intervenciones sobre la infraestructura natural; a
especialistas en la formulación y evaluación de proyectos; así como a tomadoras y tomadores de decisión que no
sean especialistas en hidrología o en modelación hidrológica, para participar del proceso de modelación con el fin
de maximizar su relevancia para la toma de decisiones. A continuación, en lugar de enfocarnos en conceptos
fundamentales de procesos hidrológicos, daremos orientaciones en torno a la importancia de los datos ingresados
al modelo; de definir y desarrollar escenarios de simulación; de calibrar y validar modelos para realizar estimaciones
más realistas; de realizar análisis de la sensibilidad e incertidumbre asociadas a estas estimaciones; y de interpretar
resultados de manera que aporten a la toma de decisiones informadas. Muchos software de modelamiento incluyen
herramientas de calibración y cálculo de incertidumbre; sin embargo, entender estos procedimientos y las implicancias
para la simulación de escenarios es útil para mejorar la confiabilidad en las predicciones.
Este paso busca clarificar el papel de las observaciones que la calidad de la modelación tendrá una relación
y las mediciones en la práctica de la modelación. La directa con la cantidad y calidad de los datos de entrada
modelación no es un reemplazo para la generación de al modelo. Los datos de entrada al modelo pueden
datos primarios mediante el monitoreo in situ; es, más provenir de fuentes primarias o secundarias. Los datos
bien, una herramienta para extraer conocimiento de primarios son aquellos que obtenemos directamente
observaciones tipo “proxy” y hacer estimaciones en el de la realidad, recogiéndolos o produciéndolos con
caso de que una observación directa no sea posible (p. instrumentos propios. Los datos secundarios, por otra
ej., predicciones o evaluaciones ex ante). Sin embargo, parte, son informaciones que ya han sido producidas
los productos de una modelación siempre serán, en por otras personas o instituciones y pueden ser
principio, inferiores a las observaciones directas, mientras reutilizadas en varias aplicaciones.
• ¿La información proporcionada atiende a los problemas de interés para la toma de decisiones?
• ¿Se modelaron las variables hidrológicas correctas?
• ¿Los hallazgos informan a los objetivos?
Legitimidad es la percepción de que la información fue generada de manera “justa” y sin sesgos, considerando
valores, preocupaciones y perspectivas apropiadas de diversas personas e instituciones.
En el contexto de la infraestructura natural, la relevancia requiere que un modelo hidrológico incorpore los objetivos
e intervenciones relevantes para el contexto de toma de decisiones en cuestión (Brauman et al., 2021a). Un
modelo preciso y exacto, y por tanto creíble, que predice cómo los cambios en la lluvia afectan a los caudales
aguas abajo pero que no incorpora los efectos de cambios en la infraestructura natural, no es relevante. Un modelo
relevante que informa el contexto de toma de decisiones puede ser considerado creíble, aun si es menos preciso
o exacto, si las tomadoras y tomadores de decisión entienden las simplificaciones del proceso de modelación. El
hecho de que las salidas de un modelo hidrológico sean consideradas relevantes y legítimas refleja si las tomadoras
y tomadores de decisión fueron consultados durante el proceso de desarrollo de la modelación y, por tanto, si
confían en la organización que produce la información (Hamel et al., 2020; Bremer et al., 2020).
a b
c d
Figura 11. Comparación entre los conceptos de exactitud y precisión de los datos. Fuente: Davies (2020).
La naturaleza de los datos necesarios para los modelos depende de los objetivos de la modelación. A escala espacial
y temporal, se pueden considerar diferentes criterios en la generación de datos para atender dichos objetivos:
• Escala espacial
• El área de monitoreo debe ser representativa de los procesos y condiciones del medio que
lo rodea.
• A escala de cuenca: precipitación, caudal, propiedades biofísicas.
• A escala de parcela: estación climática, procesos hidrológicos, procesos de vegetación,
propiedades específicas.
• Escala temporal
• Inmediata: rapidez de respuesta de la cuenca, regulación hidrológica.
• Horaria: intensidades de precipitación.
• Diaria: monitoreo a mediano y largo plazo, rendimiento hídrico.
• Mensual: estacionalidad, modelación a largo plazo, gestión de recursos hídricos.
• Anual: variabilidad climática, ciclos interanuales (p. ej., El Niño), cambio climático.
Las observaciones —sobre todo, las de precipitación suposiciones y elecciones pueden incluir la descripción
y caudal— permiten calibrar un modelo hidrológico. de procesos hidrológicos, el acoplamiento de estos
Luego de haber entendido la realidad, haber realizado procesos, la discretización numérica, la representación
suposiciones y configurado el modelo, se requiere de variabilidad espacial, etc. (Butts et al., 2004). Sin
estimar los mejores parámetros que puedan embargo, la utilidad de las observaciones no se reduce
aproximarse a mediciones observadas. Esta estimación solo a la decisión de la estructura de modelo. Se utilizan
se realiza a través de algunos algoritmos de optimización. diversas fuentes para aproximar la información
Si no existiesen estas observaciones, el proceso de disponible en un área de estudio a una configuración
estimación de parámetros no se podría realizar específica del modelo. Por ejemplo, delimitar una
cuantitativamente, lo que disminuiría la confiabilidad cuenca hidrográfica requiere contar con información
de los resultados del modelo. Asimismo, los errores de topográfica, la cual ha sido derivada de sensores
medición de caudal o precipitación pueden propagarse remotos y está disponible a través de productos
a la calibración. Por ejemplo, en un modelo hidrológico satelitales como ASTER o ALOS–PALSAR. Por otro
cuyo objetivo es simular eventos de inundación, pero lado, para estimar la capacidad de infiltración de agua
que es calibrado con datos de una estación hidrométrica en los suelos, se pueden realizar pruebas hidrofísicas
diseñada para aforar caudales bajos y no para caudales en campo con el fin de obtener valores más acertados.
pico, esta incertidumbre en la medición de caudales Esta mayor precisión sobre información de parámetros
altos se propagará a la incertidumbre del modelo. de un modelo se traduce en una mayor certeza en los
resultados. Otra alternativa incluye combinar capas de
Tanto la percepción de la realidad como la elección información geográfica de cobertura vegetal y uso de
de la complejidad del modelo se traducen en la suelos obtenidas de otras fuentes. Este tipo de
estructura del modelo. Esta estructura no es más información obtenida en forma indirecta se conoce
que el conjunto de suposiciones y elecciones que se como datos secundarios, los cuales son una alternativa
realizan explícita o implícitamente en un modelo. Estas valiosa ante la escasez de datos primarios.
Hay ocasiones en que no es posible obtener la natural, como ríos o estribaciones, pero sin ningún objeto
información que se requiere, debido a problemas en la a la manera de vegetación o edificios (Li et al., 2005).
disponibilidad de datos. Por ejemplo, si bien un DEM Un DTM se puede interpolar para generar un DEM,
busca representar la distribución espacial de la cota del pero no viceversa. Cada tipo de modelo digital puede
terreno de manera cruda con relación a un sistema de ser usado para aplicaciones diferentes, pero en ocasiones
referencia concreto, removiendo todos los elementos son usados de manera indistinta, dependiendo de su
naturales y construidos, existen variantes que pueden disponibilidad y acceso. A su vez, estos datos secundarios
ser fundamentalmente diversas. Un modelo digital de pueden estar disponibles a diferentes escalas, resoluciones
superficie (MDS; DSM, por sus siglas en inglés) se refiere y calidad. Por ejemplo, es común disponer de ráster
a una estimación fiel sobre la superficie de la tierra, DEM con una resolución de 90 m, a disposición de
incluyendo todos los objetos que esta contiene, manera abierta en todo el mundo (USGS EarthExplorer),
incorporando elementos naturales y ar tificiales o mientras que ráster DEM de resoluciones más finas
construidos. Un modelo digital de terreno (MDT; o deben ser producidos con levantamientos topográficos
DTM, por sus siglas en inglés) típicamente aumenta un o sistemas LIDAR, o pueden ser adquiridos de terceros
DEM, incluyendo elementos vectoriales del terreno a un costo asociado (Tabla 12).
Tamaño de un cuadrante de
mapa tradicional
7.5 arcos de minuto (arcmin) 14 kilómetros (km)
Algunas fuentes de datos secundarios para la modelación hidrológica se muestran en la Tabla 13.
Tabla 13 . Fuentes de datos secundarios para su aplicación en modelación hidrológica. Fuente: Elaboración propia.
SENAMHI, en https://www.senamhi.gob.pe
Datos climáticos de
estaciones in situ
NOAA NCDC, en https://www.ncdc.noaa.gov/cdo-web/
SO-HYBAM, en https://hybam.obs-mip.fr
TRMM, en https://climatedataguide.ucar.edu/climate-data/trmm-tropical-rainfall-measuring-mission
Productos satelitales
de precipitación
GPM, en https://gpm.nasa.gov/data/directory
Precipitation Processing System, en https://arthurhou.pps.eosdis.nasa.gov
En resumen, el modelamiento es una herramienta bastante útil para hacer estimaciones cuando una observación
directa no es posible; por ejemplo, en caso de predicciones o de evaluaciones ex ante. No obstante, la confiabilidad
y certeza de esos resultados dependerá de la cantidad y calidad de las observaciones disponibles. Las observaciones
son el punto de partida para entender la realidad del sistema que se va a modelar, escoger la complejidad del
modelo, configurarlo operativamente, así como calibrarlo y validarlo. Cuando no sea posible generar o recoger
datos primarios, se podrá buscar alternativas de información de fuentes externas en forma de datos secundarios.
Los datos secundarios son, de todas maneras, muy comunes y necesarios en varios tipos de modelos. En principio,
las estimaciones de un modelo siempre serán más inciertas que las observaciones directas, y la calidad de las
salidas del modelo dependerá de manera directa de la calidad y cantidad de los datos de entrada.
Este paso busca describir cuál es la meta de la modelación, parametrización de los escenarios de evaluación, tanto
qué procesos hidrológicos estarán afectados y cómo como lo está con la cantidad y calidad de los datos de
serán representados en el modelo (“escenarios”). Es entrada. Por ejemplo, al reemplazar un suelo degradado
necesario recordar que “lo que sale del modelo es lo con capacidad de infiltración A por un suelo recuperado
que entra en el modelo” (frase equivalente a “si entra con capacidad de infiltración B, el modelo presentará
basura, sale basura”, o “garbage in, garbage out”). Este un cambio equivalente a la diferencia de B–A. El
concepto se relaciona con la calidad de la información desarrollo o selección de un escenario por evaluar es
o los productos que ingresan a un sistema: si la calidad tan clave como la selección del modelo. Para poder
de lo que ingresa no es buena, el resultado por lo general definir escenarios se requiere responder las preguntas:
tampoco es bueno. Es decir, una simulación estará ¿Cuál es el objetivo de la modelación? y ¿qué se quiere
directamente relacionada con los supuestos y la representar?
Es el estado actual de la zona de estudio, del cual se pueden derivar futuros potenciales con y sin intervenciones.
Este escenario constituye la “línea base” para la evaluación, tanto de los impactos positivos esperados de las
intervenciones, como de los impactos negativos potenciales de la ausencia de aquellas intervenciones (Figura
12). Para esta primera actividad, se debe recopilar la siguiente información:
Figura 12. Representación conceptual del escenario base en una cuenca de análisis. Fuente: Elaboración propia.
Con esta información se determinan los valores iniciales del servicio ecosistémico hídrico de interés (SEHA), con
lo cual se genera la línea base en el tiempo T1, conceptualmente representada por el punto A en la Figura 13.
Servicio
Ecosistémico
Hídrico
A
SEHA
En el tiempo inicial T1, la
variable de cantidad o de
cantidad del servicio
ecosistémico hídrico
representa la línea base
sobre la cual evaluar los
cambios.
TI Tiempo
Figura 13. Situación inicial de la cantidad o calidad del servicio ecosistémico hídrico de interés en el punto de estudio. Fuente:
Ochoa–Tocachi et al. (2018b).
Escenario BAU
Áreas degradadas
Uso de suelo actual 1
Uso de suelo actual 2
Uso de suelo actual 3
Punto de aforo
Red de ríos y quebradas
Delimitación de la cuenca
Figura 14. Representación conceptual del escenario tendencial o business as usual en una cuenca de análisis. Fuente:
Elaboración propia.
En este escenario se proyectan las variables que determinan los servicios ecosistémicos de interés dentro de un
periodo de tiempo definido (p. ej., 40 años), utilizando la información biofísica e histórica recopilada anteriormente
por medio de una herramienta de análisis geográfico. Idealmente, se cuenta con un análisis multitemporal de los
cambios de cobertura de vegetación y uso de suelo en la zona de interés, que permita identificar las tasas de
cambio históricas y las ubicaciones más críticas para realizar proyecciones de cambio. Utilizando este escenario
en el modelo hidrológico, se podrá estimar la variación de los servicios ecosistémicos de interés, determinando
una función de cambio. Conceptualmente, la Figura 15 muestra una función de cambio con pendiente negativa
que teóricamente representa que, sin intervenciones sobre la infraestructura natural, el desempeño de los servicios
ecosistémicos hídricos disminuye en el tiempo (SEHB < SEHA), representado por el punto B al tiempo T2.
Servicio
Ecosistémico
Hídrico
A
SEHA
Mal desempeño
SEHB B
T1 T2 Tiempo
Figura 15. Escenario tendencial proyectado del servicio ecosistémico hídrico en el punto de estudio dentro del periodo
de tiempo definido para la evaluación. Fuente: Ochoa–Tocachi et al. (2018b).
Escenario PES
Áreas degradadas
Uso de suelo actual 1
Uso de suelo actual 2
Uso de suelo actual 3
Punto de aforo
Red de ríos y quebradas
Delimitación de la cuenca
Figura 16. Representación conceptual del escenario pesimista en una cuenca de análisis. Fuente: Elaboración propia.
Servicio
Ecosistémico
Hídrico
A
SEHA
Mal desempeño
SEHB B
Peor desempeño
SEHP
P
PES: Escenario Pesimista
Hipótesis: La degradación de la infraestructura
natural produce el peor desempeño de la
variable en el futuro.
T1 T2 Tiempo
Figura 17. Escenario pesimista de desempeño del servicio ecosistémico hídrico en el que el estado de la infraestructura
natural se encuentra totalmente degradado. Fuente: Ochoa–Tocachi et al. (2018b).
En este escenario se proyecta el desempeño de los servicios ecosistémicos resultantes de las intervenciones
sobre la infraestructura natural en un tiempo determinado, en especial sobre los puntos de interés enfocados
en el análisis. Con el uso de herramientas de análisis geográfico, como HIRO (Herramienta de Identificación
Rápida de Oportunidades: Román et al., 2020), se pueden identificar áreas prioritarias de retención de agua,
control de erosión o servicios ecosistémicos hídricos, con base en la información geoespacial disponible. Estas
áreas pueden ser enfocadas en el diseño de intervenciones sobre la infraestructura natural, tales como la
recuperación de humedales, la conservación de bosques, el control de la expansión de la frontera agrícola, y
otros cambios en el uso del suelo (Figura 18).
Escenario IN
Áreas intervenidas
Uso de suelo actual 1
Uso de suelo actual 2
Uso de suelo actual 3
Punto de aforo
Red de ríos y quebradas
Delimitación de la cuenca
Figura 18. Representación conceptual del escenario de recuperación de la infraestructura natural en una cuenca de
análisis. Fuente: Elaboración propia.
El modelo debe ser capaz de determinar si una intervención produce un impacto positivo o, por el contrario, un
impacto nulo o negativo. La hipótesis propuesta es que las intervenciones sobre la infraestructura natural generan
cambios positivos en la cantidad y calidad de los servicios ecosistémicos hídricos en el área de estudio (SEHR,
punto R, en la Figura 19), que resultan en desempeños por lo menos mejores que los de la situación proyectada
en el escenario BAU, incluso si no son tan buenos como los de la situación actual (SEHB < SEHR < SEHA en T2
Servicio
Ecosistémico IN: Escenario de Recuperación
Hídrico Hipótesis: El desempeño de la variable es al
menos mejor que en el escenario BAU.
SEHA
SEHR R
Mal desempeño
SEHB B
Peor desempeño
SEHP
P
TI T2 Tiempo
Figura 19. Escenario de recuperación de desempeño del servicio ecosistémico hídrico por intervenciones en la infraes-
tructura natural. Fuente: Ochoa–Tocachi et al. (2018b).
Escenario SEM
Áreas intervenidas
Uso de suelo actual 1
Uso de suelo actual 2
Uso de suelo actual 3
Punto de aforo
Red de ríos y quebradas
Delimitación de la cuenca
Figura 20. Representación conceptual del escenario de recuperación de la infraestructura natural en una cuenca de
análisis. Fuente: Elaboración propia.
En comparación con el escenario IN, las intervenciones pueden hacer posibles por lo menos otros dos resultados:
i) uno en el que se revierte la tendencia de disminución de la cantidad o calidad del servicio ecosistémico, de forma
que se mantienen las características iniciales (SEHR = SEHA); y ii) otro en el que las intervenciones permiten incluso
superar los estándares de cantidad o calidad del momento inicial T1 (SEHS > SEHA, punto S en la Figura 21).
Servicio
Ecosistémico SEM: Sustainable Ecosystem Management
Hídrico Hipótesis: El desempeño de la variable es incluso
mejor que en las condiciones actuales.
S
SEHS
A
SEHA
SEHR
R
Mejor desempeño
SEHB B
Peor desempeño
SEHP
P
T1 T2 Tiempo
Figura 21. Escenario de manejo sostenible de ecosistemas, producto de intervenciones sobre la infraestructura natural.
Fuente: Ochoa–Tocachi et al. (2018b).
Red de ríos y quebradas Uso de suelo actual 1 Uso de suelo actual 3 Áreas intervenidas
Figura 22. Resumen conceptual de los tipos de escenarios sugeridos para la evaluación de los beneficios de la
infraestructura natural. Fuente: Elaboración propia.
1000
800
RCP6.0
600
RCP4.5
400 RCP2.6
Figura 23. Concentraciones de CO2 equivalentes para distintos escenarios de emisión (en partes por millón) de acuerdo con
las cuatro RCP utilizadas por el Quinto informe de evaluación del IPCC para hacer modelos predictivos. Fuente: IPCC (2014).
Calibración PASOS
manual
1 2 … … M M: Número de
DEFINICIÓN parámetros
DE 1
PARÁMETROS X
T: Número de datos
simulados
1 2 … … T
1 MODELACIÓN
Y
Indicadores de
T: Número de datos desempeño (Nash-
observados Sutcliffe – NSE, Sesgo
porcentual – PBIAS,
1 2 … … T E Kling-Gupta KGE,
ANÁLISIS DE 1 1
etc.)
Figura 24. Proceso de calibración manual de un modelo de simulación. Fuente: Ochoa–Tocachi et al. (2020a).
En una calibración automática, el proceso de muestreo produce no solo una combinación de parámetros, sino
cientos o miles de combinaciones únicas de parámetros. Este muestreo se genera siguiendo una estrategia
estadística formal —por ejemplo, Monte Carlo o muestreo hipercubo latino— y asumiendo una distribución
de probabilidad para cada parámetro. El resultado es una matriz X de dimensiones N x M, donde N es el
número de combinaciones individuales y M es el número de parámetros (Figura 25).
automática
parámetros
1
Estrategia de muestreo
(Monte Carlo, Latin
2
MUESTREO Hypercube Sampling, …
T: Número de datos AUTOMÁTICO etc.)
simulados … Mejor combinación
Distribución de
probabilidad (uniforme, N
1 2 … … T
normal, etc.) N: Número de
X
1 combinaciones
2
… MODELACIÓN
…
Indicadores de
N desempeño (Nash-
E
T: Número de datos Sutcliffe – NSE, Sesgo
Y observados porcentual – PBIAS,
Mejor simulación
N: Número de 1
simulaciones Kling-Gupta KGE,
1 2 … … T 2 etc.)
ANÁLISIS DE 1 …
DESEMPEÑO
O … Mejor desempeño
N
N: Número de
… combinaciones
Figura 25. Proceso de calibración automática de un modelo de simulación. Fuente: Ochoa–Tocachi et al. (2020a).
Probabilidad
Probabilidad acumulada (CDF)
l
l
l
Parámetro xi
l
l l l l l
l
Figura 26. Concepto de muestreo automático de parámetros. Cada círculo azul representa un valor aleatorio dentro
del rango MÍN–MÁX. La distribución de probabilidad mostrada es uniforme, es decir, cualquier valor dentro del rango
tiene igual probabilidad de ser seleccionado. Fuente: Ochoa–Tocachi et al. (2020a).
Parámetro 2
Parámetro 2
Parámetro 1 Parámetro 1
Sin consideración de Por lo menos hay una
valores anteriores. muestra de cada “fila”
y “columna” posible.
Figura 27. Comparación de estrategias de muestreo. Cada punto azul es una combinación de parámetros 1 y 2. Fuente:
Ochoa–Tocachi et al. (2020a).
Una buena estrategia es la del muestreo hipercubo analogía con un tablero de ajedrez, en donde existen
latino, la cual guarda en memoria los valores N torres ubicadas de manera que ninguna amenaza
muestreados anteriormente, a fin de no repetir o es amenazada por otra torre. Para tres parámetros
valores de parámetros. Para este caso se requiere (M=3), esta representación se puede realizar en tres
conocer de antemano el número de combinaciones dimensiones, utilizando un cubo. Para M>3 parámetros,
objetivo (N), de manera que se divide el espacio esto es conceptualmente similar, pero se vuelve difícil
paramétrico de cada parámetro proporcionalmente de representar en forma gráfica.
a su distribución de probabilidad. Por ejemplo, para
dos parámetros (M=2, Figura 27), esto equivale a La configuración generalmente recomendada para el
que cada combinación muestreada ocupe una muestreo automático de parámetros es la de una
columna (valor de parámetro 1) y una fila (valor de distribución de probabilidad uniforme, con una
parámetro 2) únicas, lo que puede ser puesto en estrategia de muestreo hipercubo latina.
p
∑t=1 (Yt,obs –Yt,sim )
2
Fórmula
NSE=1–
∑t=1 (Yt,obs – μY,obs ) 2
p
NSE es una comparación entre la serie de tiempo y de datos observados Yt,obs y los datos simulados
Yt,sim. El numerador consiste en la suma de las diferencias elevadas al cuadrado entre cada dato
Explicación observado menos cada dato simulado. El denominador consiste en la suma de las diferencias elevadas
al cuadrado entre cada dato observado menos el promedio (μ) de los datos observados. Al resultante
de la división se le resta de 1.
El valor óptimo de NSE es 1 y el peor valor tiende a –inf. Es decir, un valor de NSE de 1 implica
un ajuste perfecto entre los datos observados y los datos simulados.
El valor de cero (0) sirve como indicador de cómo se comparan las simulaciones con el promedio
Interpretación
de los datos observados. Es decir, un valor de NSE de 0 implica que las simulaciones no son mejores
que si simplemente se hubiese tomado el promedio de los datos observados.
Un modelo hidrológico se considera satisfactorio si NSE > 0.50.
p
∑t=1 (Yt,obs –Yt,sim )
2
Fórmula RMSE=
P
RMSE estima el error entre la serie de tiempo Yt de datos observados Yt,obs y los datos simulados Yt,sim.
Explicación Se obtiene la suma de las diferencias elevadas al cuadrado entre cada dato observado menos cada dato
simulado. Esta suma se divide para el número de datos P y se obtiene la raíz cuadrada del resultante.
El valor óptimo de RMSE es 0 y el peor valor tiende a +inf. Es decir, un valor de RMSE de 0 implica
un ajuste perfecto entre los datos observados y los datos simulados.
Interpretación Las unidades de RMSE son las mismas que las de la variable en cuestión.
No existe un umbral estándar, pero en general un modelo hidrológico se considera satisfactorio
mientras más pequeño sea RMSE.
Tabla 16. Relación entre RMSE y la desviación estándar (RSR). Fuente: Ochoa–Tocachi et al. (2020a).
p
∑t=1 (Yt,obs –Yt,sim )
2
Fórmula RMSE
RSR = =
∑t=1 (Yt,obs – μY,obs )
p 2
STDEVobs
RSR combina el RMSE con la desviación estándar de los datos observados. Esto permite normalizar
Explicación
el valor y otorgar rangos relativos que se pueden considerar satisfactorios.
El valor óptimo de RSR es 0 y el peor valor tiende a +inf. Es decir, un valor de RSR de 0 implica
Interpretación un ajuste perfecto entre los datos observados y los datos simulados.
Un modelo hidrológico se considera satisfactorio si RSR <= 0.70.
p
∑t=1 (Yt,obs –Yt,sim ) * 100
Fórmula PBIAS = p
∑ (Yt,obs)
t=1
PBIAS mide la tendencia promedio de los datos simulados Yt,sim de ser relativamente mayores o
menores que los datos observados Yt,obs respectivos. Se obtiene de la suma de las diferencias entre
Explicación
los datos observados y los datos simulados multiplicada por 100 (para convertirlos en porcentaje) y
dividida para la suma de los datos observados.
El valor óptimo de PBIAS es 0 y los peores valores tienden a ambas direcciones –inf y +inf. Es decir,
un valor de PBIAS de 0 implica un ajuste perfecto entre los datos observados y los datos simulados.
Valores positivos de PBIAS indican sesgo de subestimación del modelo.Valores negativos de PBIAS
Interpretación indican sesgo de sobreestimación del modelo.
Un modelo hidrológico se considera satisfactorio si PBIAS <= ±25 % para simulación de caudal,
±55 % para simulación de sedimentos, y ±70 % para simulación de calidad de agua, como nutrientes
(nitrógeno, fósforo).
KGE fue conceptualizado como una mejora de NSE. Al deconstruir NSE se obtienen tres elementos
correspondientes a la correlación lineal (coeficiente de Pearson r), la relación entre desviaciones
Explicación
estándar (σ) y la relación entre las medias (μ). A cada componente se le resta 1 y se eleva al cuadrado.
Se obtiene la raíz de las sumas de dichas diferencias. Al resultante de la división se le resta de 1.
El valor óptimo de KGE es 1 y el peor valor tiende a –inf. Es decir, un valor de KGE de 1 implica
un ajuste perfecto entre los datos observados y los datos simulados.
El valor de 0 sirve como indicador de cómo se comparan las simulaciones con el promedio de los
Interpretación
datos observados. Es decir, un valor de KGE de 0 implica que las simulaciones no son mejores que
si simplemente se hubiese tomado el promedio de los datos observados.
Un modelo hidrológico se considera satisfactorio si KGE > 0.50.
Al tener varios indicadores de desempeño no es fácil elegir cuál es la mejor simulación necesariamente.
En ocasiones, una simulación desempeña muy bien para un indicador, mientras que puede desempeñar
mal para otro indicador. En ese caso se puede combinar el resultado de los diferentes indicadores
en uno solo con la fórmula indicada. Para el caso de NSE y de KGE, cuyos óptimos están en 1, se
Explicación
utilizaría (1–NSE) y (1–KGE). Para PBIAS, que puede ser positivo o negativo, se utiliza el valor absoluto
abs(PBIAS). Para los indicadores que tienen óptimos en cero (RMSE, RSR) se utiliza el indicador
directamente. Antes de combinar los indicadores es necesario normalizarlos para que su magnitud
diferente no genere mayor peso de uno o de otro.
El valor óptimo de dicha combinación es 0 y el peor valor tiende a +inf. Es decir, un valor de OF
Interpretación de 0 implica que un mismo set de parámetros es el mejor para todos los indicadores de desempeño.
La mejor simulación es aquella que presenta el menor OF.
Simulaciones aceptables son aquellas que cumplen con los límites referidos para cada indicador (Tabla 20).
Según Moriasi et al. (2007), en general, un modelo de simulación puede juzgarse como satisfactorio si NSE >
0.50 y RSR < 0.70, y si PBIAS < ±25 % para modelación de caudal, PBIAS < ±55 % para modelación de
sedimentos, y PBIAS < ±70% para modelación de calidad de agua, como nitrógeno y fósforo. Adicionalmente,
se puede considerar satisfactorio si KGE > 0.50, por su similitud con NSE.
Se pueden tener varias combinaciones de parámetros que cumplen con los criterios de aceptabilidad y cualquiera
de estas combinaciones de parámetros puede ser usada (principio de “equifinalidad”, Beven, 2000). Si se utiliza
un conjunto de resultados, en lugar de solamente un resultado único, es posible obtener intervalos de confianza/
incertidumbre. En caso de que se requiera una única combinación de parámetros, la mejor simulación es aquella
con el menor valor de OF (Ochoa–Tocachi et al., 2019c).
1 < 0.00 alto > 1.00 > ±50% < 0.00 alto pésima
2 < 0.50 medio > 0.70 > ±25% < 0.50 medio inaceptable
3 > 0.50 bajo < 0.70 < ±25% > 0.50 bajo aceptable
4 ~1 ~0 ~0 ~0 ~1 ~0 mejor simulación
… … … … … … …
N … … … … … …
De acuerdo con recomendaciones de Klemeš (1986), la separación del periodo de datos diarios disponible para el
estudio (serie de datos pequeña) corresponderá al 60 % para calibración y al 40 % para validación, independientemente
de la serie de caudal que se use (Figura 28). Es importante que la serie temporal muestre la existencia de un periodo
húmedo y un periodo seco. Al inicio de la ejecución del modelo, se descarta un periodo de calentamiento (“warm
up”). Luego de este periodo, las variables de salida del modelo se vuelven independientes o atenúan su efecto en
razón de las condiciones iniciales asumidas (Mazzilli, Guinot, & Jourde, 2012).
Tiempo
~5% Datos observados ~5%
warm up Datos simulados warm up
Figura 28. División de la serie de tiempo en periodos de calibración y validación y periodos de calentamiento (warm
up). Fuente: Elaboración propia.
Es importante insistir en la necesidad de calibrar y validar los modelos hidrológicos durante las aplicaciones de diseño
y evaluación de proyectos. Si los modelos no están calibrados, es posible que los resultados obtenidos no sean realistas
y, más bien, la información producida genere confusiones y malas recomendaciones en el proceso de toma de
decisiones. Es común encontrarse con situaciones en las que no existen datos suficientes o de buena calidad para
proceder con un ejercicio de calibración y validación. Sin embargo, aun con datos escasos, puntuales o débiles es
posible mejorar en forma sustancial las simulaciones obtenidas con los modelos hidrológicos (Winsemius et al., 2009).
Incluso en aquellas situaciones en las que no existen datos por completo, se puede calibrar un modelo hidrológico
en otra zona geográfica, idealmente cercana, que presente condiciones lo más parecidas posible al lugar que se desea
modelar. Esta opción deberá ser tomada en cuenta para aquellas situaciones más desafiantes. Es preciso considerar,
además, que varios de los escenarios de modelación son escenarios hipotéticos. Es decir, la calibración y la validación
solo pueden realizarse sobre el escenario base, que refleja las condiciones históricas y es la contraparte real de los
datos observados. Es necesario no confundir la utilización de escenarios hipotéticos durante el ejercicio de calibración
y validación para evitar sesgos y errores en el proceso de modelación hidrológica.
100%
I
Variación
0
l
l
-100%
l
l
l l l
x1 x2 x3 xi
Figura 29. Análisis de sensibilidad manual de un modelo de simulación. Fuente: Ochoa–Tocachi (2020).
Siguiendo el esquema de modelación automática planteado (Figura 25), el proceso de análisis de sensibilidad se
efectúa con los resultados de las simulaciones del modelo (etapa 3); es decir, reemplazamos el proceso de análisis
de desempeño por un proceso de análisis de sensibilidad (Figura 28).
Análisis
Análisis de
de PASOS 1 2 … … M M: Número de
sensibilidad
parámetros
1
automático
automático
Estrategia de muestreo
(Monte Carlo, Latin
2
MUESTREO Hypercube Sampling, …
T: Número de datos AUTOMÁTICO etc.)
simulados …
Distribución de
probabilidad (uniforme, N
1 2 … … T
normal, etc.) N: Número de
X
1 combinaciones
2
… MODELACIÓN
…
N
E M: Número de
Y N: Número de parámetros
1
simulaciones
2 1 2 … … M
ANÁLISIS DE Indicadores de
… ! " ~ 1 sensibilidad
SENSIBILIDAD (MVD, PAWN)
… S
N
N: Número de
… combinaciones
Figura 30. Análisis de sensibilidad automática de un modelo de simulación. Fuente: Ochoa–Tocachi et al. (2020b).
Hay varios métodos de análisis de sensibilidad. En este documento nos enfocamos en dos métodos complementarios:
análisis de sensibilidad regional (RSA: Sieber & Uhlenbrook, 2005; Spear & Hornberger, 1980) y análisis de sensibilidad
basada en distribución de salida (PAWN: Pianosi & Wagener, 2015, 2018).
Ei,j<umbral(j)
Parámetro xi
Umbral
MVD
distancia vertical
máxima
Parámetro xi Parámetro xi
Figura 31. Concepto del análisis de sensibilidad regional (RSA). Fuente: Ochoa–Tocachi et al. (2020b).
Asimismo, estos dos subconjuntos de parámetros tienen distribuciones de probabilidad propias, y eso lo evidenciamos
a través de las curvas de probabilidad acumulada (curvas CDF, Figura 31). El método evalúa las diferencias entre las
CDF de los parámetros que “cumplen” versus los que “no cumplen” el umbral de desempeño. Si las CDF se diferencian
en forma considerable, entonces decimos que “el desempeño del modelo es sensible al parámetro”. Para medir esto
de manera objetiva se utiliza una medida cuantitativa; por ejemplo, el índice Kolmogorov–Smirnov (Kolmogorov, 1933;
Smirnov, 1939), que determina la distancia vertical máxima (MVD por sus siglas en inglés) entre las dos curvas CDF.
MVD es una medida absoluta; es decir, tiene un valor con significado per se, independientemente de las
unidades de la matriz X (parámetros) o de E (función objetivo de desempeño, como NSE, PBIAS, etc.). Por
definición, MVD está en un rango entre 0 y 1 (Figura 32):
• Mientras más alto el indicador MVD de un parámetro, más alta la sensibilidad del modelo para ese
parámetro;
• Si MVD es igual a 0, el modelo no es sensible al parámetro; es decir, las dos curvas CDF (entre los
parámetros que cumplen y los que no cumplen) son exactamente iguales;
• Si MVD es igual a 1, el modelo es muy sensible al parámetro; las dos curvas CDF son “mutuamente
excluyentes” (el mismo valor de un parámetro tiene una probabilidad de 0 en una CDF y de 1 en la otra).
Si no se determinan valores que se diferencien por el umbral, se debe cambiar el umbral (Figura 32).
l
l
l
Desempeño
Desempeño
Desempeño
Desempeño
l
l
l
l
l l l l l l l l l l l l l l l l
l
l
l
l
l
l
l
l
l l l l
Parámetro x1 Parámetro x2 Parámetro x3 Parámetro xi
l acumulada
l acumulada
l acumulada
l acumulada
Probabilidad
Probabilidad
Probabilidad
l
l l l l l l l l l l l l l l l l
l
l
l
l
l
l
l
l
l l l l
Parámetro x1 Parámetro x2 Parámetro x3 Parámetro xi
1
I
l
?
MVD
95% confianza
l
l
0
l l l l
l
x1 x2 x3 xi
Figura 32. Ejemplos de resultados de indicadores de sensibilidad MVD, producto del análisis de sensibilidad regional.
Fuente: Ochoa–Tocachi et al. (2020b).
Es necesario considerar que no siempre es posible contar con un indicador de desempeño (“cumple” y “no cumple”)
para proceder a un análisis de sensibilidad con base en desempeño; por ejemplo, cuando no existen observaciones
contra las cuales validar el modelo. En estos casos solo se requiere saber qué parámetros influyen en el resultado del
modelo, independientemente de si dichos resultados son buenos o malos. Otra consideración es que el RSA produce
un análisis entre resultados que “cumplen” y “no cumplen”, producto de la interacción de todos los parámetros juntos
en la combinación. Sin embargo, en ocasiones se requiere saber simplemente la influencia de modificar un parámetro
en específico o la de no modificar un parámetro en específico. Una alternativa para ello es el método PAWN.
l
l
l
Salida
Salida
Salida
l
l
l
l
l l l l l l l l l l l l l l l
l
l
Parámetro xi Parámetro xi Parámetro xi
Probabilidad acumulada
l
l
Parámetro xj
l
l
l
l
l
l
l l l l l l l l l l
l
l
Parámetro x Salida
Figura 33. Concepto del análisis de sensibilidad basada en distribución de salida (PAWN). Fuente: Ochoa–Tocachi et al. (2020b).
Luego de remover el subconjunto “incondicional”, las combinaciones restantes son divididas en grupos “condicionales”
al parámetro xi analizado. Estos grupos representan lo que sucedería si se conociera el valor de un parámetro en
específico y se lo “fijase” en ese valor conocido, o también representan el efecto de reducir el rango de muestreo
del parámetro a un tamaño mucho más estrecho. Estos subconjuntos condicionales se obtienen solo para el
parámetro xi analizado, mientras que se deja que los otros M-1 parámetros varíen libremente dentro de sus rangos
posibles (Figura 33). Es decir, se “elimina la incertidumbre” alrededor del parámetro xi para observar cómo
cambian las salidas del modelo sin dicha incertidumbre.
Luego se determinan las distribuciones de probabilidad de las salidas del modelo, resultado de los grupos incondicional
y condicionales de xi (Figura 33). Asimismo, para cuantificar usamos la distancia vertical máxima (índice Kolmogorov–
Smirnov) entre la curva CDF incondicional y las curvas CDF condicionales.
PAWN(xi) = stat[KS(xi)]
xi
• Mientras más alto el indicador PAWN de un parámetro, más alta es la influencia de ese parámetro
para el modelo;
El impacto de los errores en las aproximaciones numéricas se estima usando un parámetro “dummy”
que, en principio, no debe afectar la variabilidad de la salida del modelo. El valor de sensibilidad PAWN
para el parámetro dummy se utiliza para dar contexto al resto (Figura 34):
• si PAWN para un parámetro xi es mucho mayor que el PAWN dummy, entonces el parámetro es
“influyente”;
• si PAWN para un parámetro xi es igual o incluso menor que el PAWN dummy, entonces el parámetro
es “no influyente”.
l
l
Salidal
Salidal
Salidal
Salidal
l
l
l l l l l l l l l l l l l l l l
l
l
l
l
l
l
l
l
l l l l
Parámetro x1 Parámetro x2 Parámetro x3 Parámetro “dummy”
acumulada
acumulada
acumulada
acumulada
– incondicional
l
l
l
l
– condicionales
l
l
l
l
Probabilidad
Probabilidad
Probabilidad
Probabilidad
l
l
l
l l l l l l l l l l l l l l l l
l
l
l
l
l
l
l
l
l l l l
Salida | x1 Salida | x2 Salida | x3 Salida | dummy
1
I
l
PAWN
95% confianza
l
l
0
l
l l l l
x1 x2 x3 dummy
Figura 34. Ejemplos de resultados de indicadores de sensibilidad PAWN, producto del análisis de sensibilidad basada
en distribución de salida. Fuente: Ochoa–Tocachi et al. (2020b).
Asimismo, se repite este ejercicio para cada parámetro xi, lo que refleja qué tan influyente es el parámetro xi en
la salida evaluada del modelo. Se repite el ejercicio usando bootstrapping para proveer indicadores con un intervalo
de confianza, usualmente, del 95 % (Figura 34).
RSA PAWN
RSA determina qué tan sensible es el desempeño del modelo PAWN determina qué tan influyente es un parámetro sobre
para un parámetro xi. las salidas resultantes del modelo.
RSA se enfoca en cómo cambian las distribuciones de PAWN se enfoca en cómo cambia la distribución de
probabilidad de un parámetro xi de entrada mientras varía probabilidad de la salida del modelo mientras se condiciona
la salida del modelo (“cumple” o “no cumple”). un parámetro xi de entrada (al remover la incertidumbre
alrededor del parámetro).
Ei,j <umbral(j)
RSA cuantifica diferencias en los CDF de las entradas del PAWN cuantifica diferencias en los CDF de las salidas del modelo
modelo (parámetros del modelo), usando la ecuación: (variable de salida o función objetivo), usando la ecuación:
PAWN(xi )=STAT[KS(xi )]
xi
RSA requiere de indicadores de desempeño para determinar PAWN no requiere de indicadores de desempeño, sino que
subconjuntos de combinaciones de parámetros que “cumplen” divide las combinaciones de parámetros en subconjuntos
o “no cumplen” un criterio de desempeño. “incondicionales” y “condicionales” a un parámetro xi.
RSA permite diferenciar entre aquellos parámetros que PAWN no permite diferenciar qué combinaciones de
efectivamente producen buenas simulaciones, con el fin de parámetros producen buenos o malos resultados. Lo que
obtener combinaciones de parámetros que son aceptables permite es identificar qué parámetros son los más influyentes
en un proceso de calibración. para poner más énfasis en determinar o en medir sus valores
óptimos en un proceso de calibración.
• Una herramienta de prospección. El análisis de sensibilidad puede ayudar a ajustar metas hidrológicas
realistas para definir expectativas confiables producto de las intervenciones en los indicadores de
resultados propuestos.
Un análisis de incertidumbre investiga el efecto de los errores en las variables relevantes para los problemas de
toma de decisiones. En otras palabras, un análisis de incertidumbre apunta a hacer una contribución técnica a la
toma de decisiones a través de la cuantificación de los errores en las variables relevantes. La “incertidumbre” se
refiere a anomalías o errores producto de información imperfecta o desconocida. Se aplica a las predicciones de
eventos, a las mediciones físicas que ya se han realizado o a lo desconocido. La incertidumbre también está asociada
a los errores de aproximación o errores numéricos en el cálculo de las ecuaciones del modelo, en comparación
con los valores reales o teóricos esperados.
Debido a varias fuentes de incertidumbre, no es posible rango de supuestos que implica una gama de potenciales
determinar de forma ciento por ciento exacta cuál será futuros. De esta forma, se puede determinar una función
el resultado absoluto de las características de cantidad y de probabilidad asimilando estas posibles realizaciones
calidad de los servicios ecosistémicos hídricos producidas (Figura 35), de la que se puede estimar cuál es el
por las intervenciones sobre la infraestructura natural resultado más probable y cuál es el rango de variabilidad
bajo los escenarios futuros (tiempo T2 en la Figura 35). determinado con cierto nivel de confianza, usualmente
El modelo hidrológico debe ser capaz de procesar la del 90 % o del 95 %. Este nivel de confianza está
incertidumbre de varias fuentes –desde la información determinado por la probabilidad de que el valor estimado
de entrada– debido a la estructura misma del modelo de la variable analizada se encuentre dentro de un rango
–y a la variabilidad natural de la cuenca– para generar un determinado o “intervalo de confianza”.
A
SEHA
Desempeño
proyectado
Intervalo de
confianza
P
SEHP
T1 T2 Tiempo
Figura 35. Incertidumbre en las proyecciones de desempeño del servicio ecosistémico hídrico en el futuro. Fuente:
Ochoa–Tocachi et al. (2018b).
Se debe aclarar que la incertidumbre no es algo exclusivo como una herramienta útil pero también incierta. Para
de la modelación de la infraestructura natural. Muchas usarla de manera inteligente en la toma de decisiones,
veces, los análisis de infraestructura gris convencional es necesario transparentar las fuentes de error, analizar
usan resultados de un modelo hidrológico calibrado en forma crítica los resultados obtenidos y reconocer
manualmente, en ocasiones ignorando o suponiendo que hay la probabilidad de que los valores reales se
que no existe ninguna incer tidumbre asociada. La encuentren fuera del intervalo de confianza obtenido
modelación hidrológica debe ser vista por sí misma con la modelación.
Fuentes de incertidumbre
Efectuar simulaciones es un ejercicio que involucra de (i) podría ser realizada cualitativamente, con base en un
manera inherente el manejo de incer tidumbre; es “criterio experto” y experiencia; (ii) podría estar basada
imposible eliminarla por completo, dado que proviene en información cuantitativa secundaria, obtenida de
de varias fuentes. Las proyecciones o evaluaciones ex documentos publicados, informes de otros sitios o
ante requieren considerar suposiciones acerca de cómo publicaciones científicas; o (iii) podría basarse en
cambiarán las variables del sistema hidrológico en el información primaria, obtenida en el sitio de interés
futuro, producto de las inter venciones sobre la aplicando metodologías estandarizadas para la colección
infraestructura natural propuestas. Estas suposiciones de datos con fines de evaluación. En todo caso, la
se fundamentan en diferentes fuentes de información, generación de escenarios para la modelación hidrológica
las que a su vez están asociadas a diversos niveles de es un ejercicio que introduce incer tidumbre, pues
incertidumbre. Por ejemplo, una simulación ex ante requiere realizar predicciones acerca de cómo serán las
puede considerar que las tasas de infiltración de agua condiciones futuras del sistema hidrológico: clima; tipos
en el suelo aumentarán en 10 % por efecto de las y extensión de vegetación; parámetros hidrológicos; o
intervenciones propuestas en una zona de interés. Esta manejo e intervención humana. En toda predicción del
suposición podría tener diferentes grados de confianza: futuro existe incertidumbre.
Todavía hay grandes vacíos en la evidencia científica características computacionales, técnicas o de tiempo
acerca de los cambios producidos por efecto de las disponibles para generar las simulaciones. Aun si las
intervenciones sobre la infraestructura natural (p. ej., ecuaciones fuesen muy complejas, con el fin de
ver las revisiones sistemáticas de Bonnesoeur et al., representar mejor los procesos reales, la computación
2019; Locatelli et al., 2020; Willems et al., 2021; Molina de dichas ecuaciones es inexacta debido a errores de
et al., 2021; Mosquera et al., 2021). Para muchos de aproximación o errores numéricos durante los cálculos
los servicios ecosistémicos hídricos se desconocen aún efectuados. El error de aproximación o error numérico
cuáles son los efectos potenciales de las intervenciones es una medida del ajuste o del cálculo de una magnitud
debido a que no se han monitoreado o estudiado con respecto al valor real o teórico que dicha magnitud
suficientemente sus cambios o, incluso, las condiciones tiene. Un aspecto impor tante de los errores de
de base iniciales. En muchas ocasiones, un limitado aproximación es su estabilidad numérica, estabilidad
conjunto de estudios refleja indicios de la dirección de que se refiere a cómo dentro de un algoritmo de
los impactos (incremento o reducción en la producción análisis numérico el error de aproximación es
de servicios ecosistémicos), pero no se conoce la propagado dentro del propio algoritmo. En todos los
magnitud exacta de los cambios. Aun cuando los problemas es fundamental hacer un seguimiento de
estudios son abundantes, pueden existir contradicciones los errores introducidos, cometidos y generados, a fin
y controversias en la información reportada, debido a de poder estimar el grado de aproximación de la
la influencia de diversos factores que convergen en las solución que se obtiene y su “intervalo de confianza”
condiciones locales de los sitios de estudio y que o su “nivel de incertidumbre”. Los errores asociados
determinan la dirección de los impactos. En estos casos a los cálculos numéricos se originan en dos factores
es necesario generar información primaria del sitio de
principales: 1) errores inherentes a la formulación del
interés, que permita identificar las características que
problema; y 2) consecuencia del método empleado
pueden determinar estas diferencias. Finalmente, aun
para encontrar la solución del problema.
cuando existe consenso en la evidencia científica acerca
de la dirección y magnitud de los cambios sobre los
servicios ecosistémicos en sitios específicos, es difícil El primer tipo de error (error de formulación) se
extrapolar esta información a los sitios de interés. cuantifica como la diferencia entre el valor real de una
Varios estudios recogen información en un espacio variable y el valor aproximado de esta, producto de la
limitado, bajo escalas y condiciones específicas o simulación del modelo. Una fuente de este tipo de
controladas, tales como cober tura vegetal, tipo de errores se origina en la imprecisión de los datos físicos:
suelo y clima. Entonces, la limitada información existente constantes físicas y datos empíricos. Los datos medidos
y los vacíos de información introducen incertidumbre no son precisos a causa de los instrumentos utilizados;
en los modelos hidrológicos que la incorporan para la por ejemplo, la medida exacta del nivel de agua en un
generación de simulaciones de escenarios. río puede ser 24.5 cm, pero si una regleta no mide
decimales, el valor puede ser redondeado a 25 cm. Del
Aun cuando exista confianza en la información mismo modo, si un observador introduce errores
ingresada en un modelo hidrológico, el modelo por sí humanos en las mediciones, ellos serán asimilados en
mismo puede introducir errores en los cálculos. Estos el modelo. Los errores en la medida de los datos
errores pueden originarse en el hecho de que las empíricos tienen un carácter por lo general aleatorio,
ecuaciones utilizadas son, en sí mismas, una simplificación y su tratamiento analítico es imprescindible para
del sistema real y, por lo tanto, sacrifican exactitud en contrastar el resultado obtenido computacionalmente.
dicha representación. Existe un compromiso entre la
complejidad de las ecuaciones que utilizan los modelos En lo que se refiere al segundo tipo de error (error
y su versatilidad y operatividad, dadas las limitadas computacional), tres son sus fuentes principales:
Considerando que hay varios factores que contribuyen a las predicciones efectuadas en un modelo
hidrológico, es conveniente clasificar las fuentes debido a que no todos los métodos de estimación de
incertidumbre analizan todas las fuentes existentes. La incertidumbre total de las predicciones de un
modelo se puede conformar por una variedad de fuentes de incertidumbre (p. ej., Gupta et al., 2005),
y pueden clasificarse de la siguiente manera (Montanari, 2007; Solomatine & Wagener, 2011):
Servicio
Ecosistémico Debido a que las condiciones iniciales de por sí
Hídrico involucran incertidumbre, así como todo el proceso
de modelación, los resultados finales son
susceptibles a la propagación de incertidumbre.
Tiempo de
Condición inicial proyección Proyección
T1 T2 Tiempo
Figura 36. Propagación de incertidumbre de una variable desde las condiciones iniciales hasta los resultados de pre-
dicción. Adaptado de: ECMFW (2017).
No es común evaluar el impacto de todas las incertidumbres agregadas, a causa de que la incertidumbre total de
la predicción será tan alta que hará imposible tomar una decisión en este caso. Sin embargo, a veces es útil entender
el impacto de la calidad de información de entrada en la incertidumbre total de la predicción, aunque esta última
no se calcule. Por ejemplo, se puede cuantificar la incertidumbre de medición de una estación hidrométrica en
los resultados de un modelo hidrológico. Los vertederos triangulares “tipo V” tienen alta precisión para la medición
de caudales bajos, pero su incertidumbre aumenta para la medición de caudales altos (Herschy, 2009; ISO 18365,
2013). Las observaciones de caudales extremos, las cuales son usadas para calibrar modelos de inundaciones,
pueden ser utilizadas para evaluar el efecto de la incertidumbre de este tipo de estaciones en las predicciones
realizadas. En ocasiones, la propagación de incertidumbre de las variables de entrada puede ser mayor que la
incertidumbre asociada a la estimación de valores de los parámetros (Kavetski et al., 2006).
El método GLUE (Beven & Andrew, 1992) es un método problema puede ser visto como una evaluación y
informal bayesiano usado en la hidrología para cuantificar comparación entre modelos para saber qué tan buenas
la incertidumbre en las predicciones de los modelos. La son estas representaciones de la incertidumbre. Hay
idea básica de este método es que, dada nuestra un entendimiento implícito de que los modelos usados
incapacidad de representar con exactitud cómo funciona son aproximaciones de lo que podría ser obtenido
la naturaleza en un modelo matemático, siempre existirán mediante un análisis bayesiano del problema, si un
varios diferentes modelos que imiten de manera modelo completamente adecuado de los procesos
igualmente buena los procesos naturales observados, tal hidrológicos del mundo real existiese. El método GLUE
como la generación de caudal. Esta similitud en la es equivalente al cálculo bayesiano aproximado para
aceptabilidad de los modelos se conoce como equifinalidad algunas elecciones de funciones estadísticas de
(Beven & Freer, 2001). La equifinalidad rechaza la idea de evaluación y umbrales de desempeño. Sin embargo,
que hay una sola solución óptima, puesto que el tiene varios detractores y es objeto de críticas por
conocimiento que tenemos del sistema bajo consideración profesionales en estadística más formales.
es imperfecto, y estima que varios conjuntos de modelos,
parámetros y variables pueden ser considerados iguales, Siguiendo el esquema de modelación automática
o casi iguales, simulaciones del sistema. planteado antes (Figura 25), el proceso de análisis de
incertidumbre, tomando en cuenta el método GLUE,
El método GLUE trata con modelos cuyos resultados se realiza con los resultados de las simulaciones del
se expresan como distribuciones de probabilidad de modelo (etapa 3). Es decir, reemplazamos el proceso
salidas posibles, frecuentemente en forma de de análisis de desempeño por un proceso de análisis
simulaciones Monte Carlo o LHS (Figura 37), y el de incertidumbre (Figura 37).
incertidumbre
parámetros
1
Estrategia de muestreo
2
(Monte Carlo, Latin
MUESTREO Hypercube Sampling, …
T: Número de datos AUTOMÁTICO etc.)
simulados …
Distribución de
probabilidad (uniforme, N
1 2 … … T
normal, etc.) N: Número de
X
1 combinaciones
2
… MODELACIÓN
…
N
E L 1 2 … … T
Y N: Número de 1 1 1
simulaciones
2 2 2
ANÁLISIS DE … … …
INCERTIDUMBRE
… … G Z
N N Z: Número de simulaciones
que cumplen un criterio de
… … desempeño
La matriz Y de resultados simulados es analizada para verosimilitud es igual a cero (L = 0), y se consideran
evaluar cómo varía el desempeño de cada línea de finalmente solo las simulaciones que son mejores que
simulación frente al conjunto de datos observados, con dicho umbral. Utilizando, entonces, la función de
lo que se obtiene la matriz E de indicadores de verosimilitud para aquellas simulaciones que cumplen
desempeño. Esta lista de resultados de indicadores es el umbral establecido, se obtiene un subconjunto de
ordenada de “mejor desempeño” (simulación más simulaciones G, de las cuales se extrae una función de
cercana a los datos observados) a “peor desempeño”. probabilidad de los resultados. Procesando esta función
En el método GLUE (Figura 37), los indicadores de de probabilidad para un nivel de confianza establecido
desempeño son utilizados como un proxy para (p. ej., 90 %, 95 %, 99 %), se determinan los rangos
aproximar la función de verosimilitud L, es decir, se mínimo y máximo que encierran las observaciones
asigna una probabilidad más alta a una simulación que (Figura 38). Estos rangos mínimo y máximo representan
tiene un mejor desempeño que a una simulación que las bandas de incertidumbre asociadas al subconjunto
tiene un mal desempeño. De manera adicional, se de simulaciones generadas por el modelo al nivel de
considera un umbral de desempeño equivalente al significancia establecido, las cuales representan la
criterio de “cumple” o “no cumple”, similar al análisis incertidumbre relacionada con las múltiples fuentes de
de sensibilidad RSA (Figura 31). Se descar tan las error involucradas, incluyendo la equifinalidad de los
simulaciones que no cumplen el umbral, es decir, cuya parámetros y variables que son parte del modelo.
Máx
Mín
Tiempo
Figura 38. Representación conceptual de las bandas de incertidumbre determinadas con el método GLUE. Fuente:
Elaboración propia.
El uso de modelos para la evaluación de la infraestructura Por ejemplo, si un modelo produce 100 simulaciones
natural está sometido a las diferentes fuentes de error para la variable de caudal, de las cuales 90 generan
mencionadas. Es necesario que los resultados obtenidos resultados de entre 3 y 7 m3/s, entonces se puede decir
por las simulaciones sean evaluados crítica y que el valor estimado de caudal es de 5 m3/s, con un
detalladamente a fin de reducir la probabilidad de que intervalo de confianza de 90 % entre 3 y 7 m3/s. Aun
tengan un impacto inesperado o perjudicial en la toma así, es importante reconocer que los resultados, en
de decisiones. Por ejemplo, si una decisión depende de este caso, indican que todavía existe un 10 % de
que una variable se encuentre por encima o por debajo probabilidad de que el caudal real se encuentre fuera
de un valor crítico dado, y el resultado de la modelación de dicho rango, lo que usualmente significa que hay un
sitúa al resultado estimado de la variable muy 5 % de probabilidad de que el caudal sea menor de 3
peligrosamente cerca de dicho valor, es necesario m3/s y otro 5 % de probabilidad de que sea mayor de
cuantificar y analizar los errores asociados al resultado 7 m3/s, aunque esto depende del tipo de distribución
obtenido a fin de tomar decisiones informadas. Si el de probabilidad que mejor se ajuste a los datos
error estimado total no es suficiente para que la variable analizados. Generalmente se utiliza una distribución de
cruce dicho valor crítico, puede tomarse con confianza probabilidad normal, la cual tiene una forma acampanada
la decisión. Pero si el error estimado es suficientemente y es simétrica con respecto a la media. En otras
grande como para dar cabida a la posibilidad de que el ocasiones, o para ciertas variables más sesgadas, el uso
resultado de la variable se encuentre del otro lado de de distribuciones asimétricas, finitas o discretas es
dicho umbral crítico, entonces la decisión tomada estará también posible.
asociada a un cierto nivel de confianza.
Servicio
Ecosistémico La incertidumbre está presente en todos los
Hídrico escenarios proyectados y, por tanto, debe ser
considerada al evaluar los beneficios estimados.
S
SEHS
A
SEHA
SEHR
R
SEHB B
SEHP
P
T1 T2 Tiempo
Figura 39. Incertidumbre en las proyecciones de todos los posibles escenarios futuros. Fuente: Ochoa–Tocachi et al. (2018b).
El tratamiento y comunicación de resultados debe tener Cuando se trata de eventos extremos es posible que
como objetivos: i) responder a la pregunta de gestión se requiera otro tipo de técnicas de posprocesamiento.
formulada; y ii) incluir rangos de la estimación. El Por ejemplo, responder a la pregunta de cuánto riesgo
tratamiento de datos puede incluir operaciones de inundaciones son capaces de reducir las intervenciones
aritméticas o técnicas estadísticas simples previas a la en infraestructura natural propuestas puede resultar
visualización. La manera más simple de obser var imposible con una serie de tiempo en bruto. Dependiendo
beneficios hidrológicos entre dos series de tiempo (p. del número de años simulados, es posible obtener
ej., BAU vs. IN) es calculando las diferencias de los algunos valores de extremos, los cuales pueden ser
resultados de la variable en cuestión entre los escenarios. insuficientes para informar sobre los beneficios
De esta manera, por ejemplo, los datos de la serie de hidrológicos de infraestructura natural en eventos con
tiempo pueden ser agrupados por mes o por estación altos periodos de retorno (p. ej., cien años). Estos
del año para obtener valores que permitan diferenciar resultados de la serie de tiempo tendrían que
la disponibilidad de agua o de un servicio ecosistémico extrapolarse haciendo un ajuste estadístico a una función
prioritario durante cada año. Los conjuntos de datos de distribución de extremos como Pareto generalizada
agrupados poseerán valores atípicos (“outliers”) debido (GP) o valor extremo generalizada (GEV). Los intervalos
a la presencia de eventos extremos en la simulación. Sin de predicciones pueden ser construidos a través de los
embargo, para conocer la disponibilidad media de agua métodos presentados en el Paso 9 y, para todos los
a lo largo del año es conveniente usar medias o medianas casos, deben acompañarse de una explicación de cómo
con desviaciones estándar o cuantiles, dependiendo de fueron calculados los intervalos de beneficios y qué
la normalidad de distribución. Estos resultados se pueden fuentes de incertidumbre incluyen. De manera alternativa,
presentar de manera visual en forma de series de tiempo los rangos de predicción pueden derivarse de métodos
o como diagramas de cajas y bigotes, o en forma de estadísticos de posprocesamiento; por ejemplo, los
texto o tablas; en ambos casos, agregados mensualmente intervalos de confianza para análisis de valores extremos
o por temporada. pueden obtenerse del ajuste de los resultados de
modelamiento a una distribución de valores extremos
por bootstrapping (Figura 40).
Sin intervención
Con intervención
400
Rango de incertidumbre
300
m3/s
200
100
Periodo de
retorno
Figura 40. Presentación de intervalos de confianza derivados de un posprocesamiento de datos. Fuente: Elaboración
propia.
La Figura 40 ilustra los resultados de un ejercicio de los dos escenarios, lo cual quiere decir que no se deberían
modelación que evalúa la probabilidad de ocurrencia de esperar resultados tempranos en el proyecto, cosa
inundaciones sin intervenciones (rojo) y con intervenciones totalmente entendible dado el tiempo que demandan las
(verde) sobre la infraestructura natural. Al comparar los intervenciones sobre la infraestructura natural para
resultados promedio (líneas continuas), se observa una producir efectos medibles en los indicadores hidrológicos
clara diferencia entre ambas alternativas, lo que sugiere seleccionados. Esto sugiere prudencia para que las
que la situación sin intervención es más susceptible de tomadoras y tomadores de decisión sientan confianza en
inundaciones que el escenario con intervención. Por las intervenciones a mediano y largo plazo, y no esperen
ejemplo, en un escenario sin intervención se espera que ver resultados reflejados tan pronto como el proyecto
cada 20 años ocurra un evento de caudal de hasta 240 haya sido implementado en territorio. En la Figura 40, a
m3/s; en comparación, en un escenario con intervención partir del segundo año hasta el año 50, los rangos de
sobre la infraestructura natural se espera que cada 20 incertidumbre entre los escenarios no se cruzan, lo que
años ocurra un evento de caudal de apenas 180 m3/s. Si,
hace posible fortalecer la confianza de que se esperan,
por ejemplo, la cota máxima de la defensa de inundaciones
efectivamente, resultados medibles y distinguibles entre
o del sistema de alerta temprana es de 200 m3/s, este
la situación sin intervención versus el escenario con
umbral será sobrepasado con más frecuencia en la
intervención. A partir del año 50 en adelante, los rangos
situación sin intervención que en el escenario con
intervención. También es posible hacer la lectura e de incertidumbre vuelven a cruzarse entre escenarios, lo
interpretación de manera inversa: se espera que un caudal cual sugiere que existe la probabilidad de que no se
de 200 m3/s ocurra con una frecuencia de cada 10 años puedan distinguir los efectos de las intervenciones de
en una situación sin intervención, pero, en contraste, se manera clara. Mientras más nos aventuramos al futuro,
espera que el mismo caudal ocurra apenas cada 50 años los rangos de incertidumbre se vuelven más amplios y
en un escenario con intervención sobre la infraestructura los traslapes son mayores, lo que refleja nuestro
natural. Esta diferencia es muy significativa para la gestión desconocimiento de las condiciones futuras de la
del riesgo de desastres. infraestructura natural y de lo que se puede esperar al
realizar proyecciones para dentro de muchos años.
Cuando se incluye un análisis de incertidumbre (líneas
punteadas), el ejercicio puede parecer más complejo. Este tipo de análisis puede brindar algunas ventajas
En realidad, así se añade información importante para la adicionales al solo análisis de un evento de tormenta de
toma de decisiones (Figura 40). Durante el primer par diseño específica o una serie de tiempo de caudal
de años, los rangos de incertidumbre se traslapan entre observada y simulada. Los resultados de un ajuste
Ejemplo de aplicación
Retomando el ejemplo de aplicación de la cuenca Tambo–Ilo–Moquegua mostrado en el Volumen I (Figura 10),
se recopila información biofísica para el modelo hidrológico seleccionado. La Figura 41 presenta un mapa con
los datos disponibles en la cuenca, incluyendo modelo digital de elevación, estaciones meteorológicas, estaciones
de aforo de caudal, mapa de suelos y características biofísicas. La Figura 42 muestra mapas de cobertura y uso
de suelo para los años 2000, 2010 y 2019.
200000 280000 360000
±
885000 990000
±
LEYENDA
8250000
8250000
8260000
8260000
Mapa de Suelos (FAO)
Subcuencas SWAT
Estaciones Meteorológicas
(
! (PISCO ~10 km)
Y Estaciones de Aforo
X
Elevación (msnm)
8170000
29 - 750 8170000
751 - 1,500
1,501 - 2,250 AREQUIPA
8200000
8200000
PUNO
2,251 - 3,000
3,001 - 3,750
8080000
8080000
3,751 - 4,500
4,501 - 5,665
km
0 20 40 80
885000 990000
8150000
8150000
LEYENDA
Límite departamental
Cuenca Tambo-Moquegua
8100000
Ríos
Clasificación de Suelos
MOQUEGUA Glaciares
OC
Luvisoles Regosoles
…A
N
I-Bh-Tv-c Re5-1a
O
PA
I-Re-c Andosoles
CÕ
TACNA
FIC
I-Tv-c
Tv4-a
O
8050000
8050000
Fluvisoles
km Tv6-b
0 10 20 40 Je7-3a
Figura 41. Datos disponibles en la cuenca Tambo–Ilo–Moquegua. Datos de elevación, estaciones meteorológicas,
estaciones de aforo de caudal, mapa de tipos de suelos y características biofísicas. Fuente: Elaboración propia.
Lagunas Pajonal
Arenales Matorral
Loma Desierto
Cardonal Sin vegetación
Bofedal Nieve
Área minera Área agropecuaria
Área intervenida Área urbana
Bosque
Figura 42. Mapas de cobertura y uso de suelo en la cuenca Tambo–Ilo–Moquegua para los años 2000 (a), 2010 (b)
y 2019 (c). Fuente: Elaboración propia.
Haciendo uso de la herramienta HIRO (Román et al., 2020), se identifican 354,933 ha priorizadas para la provisión
de servicios ecosistémicos hídricos. De ese total, 67,745 ha son prioritarias para el servicio de regulación hídrica;
175,426 ha son prioritarias para el servicio de control de erosión; y 111,762 ha son prioritarias para ambos
servicios ecosistémicos (Figura 43).
Regulación Hídrica
Control de Erosión
67,745 ha
Ambos SEH Solo regulación hídrica
Figura 43. Áreas de importancia hídrica para la provisión de servicios ecosistémicos hídricos, identificadas con la
herramienta HIRO. Fuente: Elaboración propia.
• Escenario BASE
• Escenario BAU
• Cambio de cobertura natural, asumiendo que coberturas poco favorables amplían su rango
de distribución por estresores ambientales:
• Coberturas en expansión: área sin vegetación altoandina y arenales
• Escenario PES
• Las áreas priorizadas por HIRO se encuentran totalmente degradadas al año 2060.
• Las 354,933 ha priorizadas por HIRO son asignadas coberturas “degradadas”, dependiendo
de los usos de suelo y ecosistemas cercanos a las zonas degradadas.
• Escenario SEM
• Las áreas priorizadas por HIRO se encuentran totalmente conservadas al año 2060.
• Las 354,933 ha priorizadas por HIRO son asignadas como cobertura “conservada”,
dependiendo de los ecosistemas y usos ideales cercanos a las zonas señaladas.
LEYENDA
Figura 44. Escenarios BASE (a), BAU (b), PES (c) y SEM (d) para la cuenca Tambo–Ilo–Moquegua. Fuente: Elaboración propia.
La Figura 45 muestra los resultados del proceso de calibración y validación para las subcuencas de Santa Rosa
y Tumilaca. Como se aprecia, las dos estaciones de caudal generan datos con magnitudes bastante diferentes (Santa
Rosa con uno o dos órdenes de magnitud superiores a Tumilaca). A pesar de que los datos en Tumilaca parecen
menos cercanos a los datos observados, los datos en Santa Rosa parecen más aproximados debido, precisamente,
al amplio rango en la magnitud de los caudales.
Modelados
Observados
15
Caudal (m3 s)
10
Santa Rosa
1000
Modelados
Observados
750
Caudal (m3 s)
500
250
Figura 45. Ejemplo de calibración y validación de modelación de caudal en las subcuencas Santa Rosa y Tumilaca, dentro
de la cuenca Tambo–Ilo–Moquegua. Fuente: Elaboración propia.
Tumilaca
BAU
SEM
40
Caudal (m3 s)
30
20
10
20
30
Caudal (MMC)
Caudal (MMC)
15
20
10
10 5
0
Pesimista BAU SEM Pesimista BAU SEM
0.03
Sedimentos (kT/año)
0.02
0.01
0.00
Figura 46. Resultados obtenidos para la subcuenca Tumilaca, dentro de la cuenca Tambo–Ilo–Moquegua. Fuente:
Elaboración propia.
1500
Caudal (m3 s)
1000
500
750
1500
Caudal (MMC)
Caudal (MMC)
1000 500
500 250
0 0
Pesimista BAU SEM Pesimista BAU SEM
800
600
Sedimentos (kT/año)
400
200
Figura 47. Resultados obtenidos para la subcuenca Santa Rosa, dentro de la cuenca Tambo–Ilo–Moquegua. Fuente:
Elaboración propia.
Como se observa en la Figura 46 (Tumilaca) y Figura 47 (Santa Rosa), los resultados pueden presentarse de
manera diferente. Para Tumilaca no se observan cambios significativos en el caudal en los tres escenarios modelados
(asimismo, la carga de sedimentos generada es despreciable en los tres casos). Para Santa Rosa existen cambios,
pero no son considerables. Sin embargo, se observan mayores diferencias en los periodos de retorno que pueden
producirse bajo los diferentes escenarios. La incertidumbre subyacente es bastante alta.
Los modelos hidrológicos otorgan un recurso para decisiones tienen objetivos que pueden ser muy
que las tomadoras y tomadores de decisión puedan ambiguos o vagos. Esto suele producir resultados que
atender una variedad de preguntas relacionadas con no aportan respuestas claras a las preguntas de gestión
los impactos de las inter venciones sobre la iniciales que se desean responder. La definición de
infraestructura natural y la cuantificación de sus objetivos claros es lo que define que el modelo que se
beneficios hidrológicos. Para ayudar en esta tarea, esta seleccione y se opere sea el adecuado.
Guía de modelación para la infraestructura natural
provee lineamientos detallados en pasos, con vistas a La modelación hidrológica y la generación de datos
la selección e implementación de modelos hidrológicos están íntimamente vinculadas y se nutren mutuamente.
para toma de decisiones. Por un lado, el monitoreo y la medición de datos
pueden mejorar los resultados de la modelación, así
Las herramientas de modelación son particularmente como la utilización de datos de entrada de mala calidad
útiles cuando los datos hidrológicos observados son brindarán, también, salidas modeladas de mala calidad.
escasos o inciertos en la región de interés. Sin embargo, Por otro lado, el uso de modelos puede contribuir a
seleccionar un modelo apropiado para apoyar la toma la mejora en el entendimiento de los procesos
de decisiones no es una tarea sencilla debido a una ecosistémicos y optimizar o informar la toma de datos.
variedad de elementos: complejidad de los modelos Por ejemplo, los métodos de análisis de sensibilidad
disponibles, capacidades técnicas locales, disponibilidad pueden guiar para saber hacia qué variables deben
de recursos, contexto de toma de decisiones, etc. Por enfocarse los esfuerzos en la toma de datos en campo.
tal razón, las tomadoras y tomadores de decisión deben
definir en forma clara el alcance de su análisis, evaluar Además, se evidencia que el simple uso de modelos
las características particulares de cada modelo para el populares con resultados presentados de manera muy
contexto en cuestión y realizar una autoevaluación de verosímil o con un nivel a priori muy elevado de precisión
sus recursos y capacidades para entender las necesidades o resolución espaciotemporal no necesariamente lleva
específicas por atender. Es común observar que varias a mejores o más útiles resultados para aplicaciones
iniciativas que tratan de usar modelos para su toma de específicas en proyectos de infraestructura natural. Por
lo tanto, para obtener los resultados más adecuados escenarios construidos para proyectar el futuro, en la
que puedan ser aprovechados al máximo para la toma calibración de los parámetros del modelo, y en la misma
de decisiones, la elección del tipo y de la complejidad estructura y funcionamiento de este. En lugar de
del modelo debe realizarse de acuerdo con la ignorar la incertidumbre, lo que esta guía quiere es
disponibilidad de datos y la experiencia del equipo de persuadir que el análisis de la incertidumbre es una
trabajo. Esta guía permite a las formuladoras y herramienta impor tante para apoyar la toma de
formuladores de proyectos en infraestructura natural decisiones informada.
adaptar sus necesidades en el momento de diseñar y
evaluar intervenciones. Para esto, se deben considerar El uso de un conjunto de diferentes modelos podría
diferentes opciones de usos de datos y niveles de aumentar la robustez de resultados de simulación en
complejidad de modelación para evaluar la credibilidad, comparación con el empleo de modelos singulares.
legitimidad o prominencia del proceso de modelación Por ejemplo, frente a la incer tidumbre de la
y del resultado de las modelaciones. Algunas preguntas representatividad de uno u otro modelo de la realidad
que deben guiar este proceso son: ¿Está calibrado el local, es posible implementar varios modelos y
modelo?, ¿se evalúa la incertidumbre?, ¿se han involucrado analizarlos en ensamblaje para ofrecer un rango de
diferentes personas en el proceso? posibilidades mayor.
Las tomadoras y tomadores de decisión no deben Por último, es necesario considerar un enfoque de
esperar que los modelos hidrológicos les entreguen manejo de riesgo y contar con planes de respaldo y
soluciones de aplicación inmediata. En todo este contingencia como elementos en la toma de decisiones
proceso es imprescindible considerar en forma final. Los modelos son una herramienta de apoyo en
adecuada las fuentes de incertidumbre asociadas. Es la toma de decisiones, pero es fundamental reconocer
imposible eliminar la incertidumbre por completo, ya que son herramientas útiles y también inciertas. Contar
que se origina en las percepciones y simplificaciones con otros insumos que permitan tomar decisiones
del entendimiento de la realidad aplicadas a un modelo, informadas, permite aumentar la robustez de las
en los datos observados y no observados, en los conclusiones que guían las decisiones a la mano.
Es fundamental desarrollar modelos que sean Finalmente, las aplicaciones de la modelación son variadas.
representativos de las realidades locales. Si bien es cierto Uno de los frentes más prometedores es el vinculado
que no siempre se cuenta con los recursos, datos y con el análisis de los beneficios hidro socioeconómicos
capacidad técnica necesarios para construir modelos, los de los proyectos de infraestructura natural (Anexo). En
modelos propios pueden ser más eficientes y útiles que esta guía sugerimos un flujo de análisis en donde la
los que ya existen. Muchos modelos populares usados modelación hidrológica juega un rol protagónico en varios
en la actualidad han sido desarrollados en otros países momentos del proceso. Para muchas aplicaciones es
para representar condiciones hidrológicas que no están necesario ir más allá de la cuantificación de los beneficios
presentes en el sitio de aplicación. Un caso común es el hídricos, es decir, ir hacia la cuantificación de beneficios
de los modelos que simulan escorrentía superficial por sociales y económicos; la consideración de cobeneficios,
exceso de infiltración (p. ej., usando el número de curva) externalidades, compromisos y costos; y el correspondiente
y que son aplicados en zonas geográficas donde los suelos balance de todos estos elementos para sustentar
tienen una alta capacidad de infiltración y las lluvias inversiones que sean sostenibles y rentables. Posteriores
presentan intensidades bajas. En un caso así, modelos que desarrollos de esta guía atenderán los detalles relacionados
simulan la escorrentía por exceso de saturación serían con el análisis de beneficios económicos y costo–
más representativos. Siguientes desarrollos de esta Guía efectividad, y la elaboración de modelos propios para
de modelación podrían abarcar la conceptualización y aplicaciones específicas.
desarrollo de modelos propios.
Referencias
Ajami, N. K., Duan, Q., and Sorooshian S. (2007). An Beven K. J., Binley, A. (1992). The future of distributed
integrated hydrologic Bayesian multimodel combination models: model calibration and uncertainty prediction.
framework: Confronting input, parameter, and model Hydrological Processes. 6 (3): 279–298. doi:10.1002/
structural uncertainty in hydrologic prediction. Water hyp.3360060305. ISSN 0885–6087.
Resources Research 43: W01403.
Beven, K. J., Binley, A. (2014). GLUE: 20 years on.
Arnold, J. G., Kiniry, J. R., Srinivasan, R., Williams, J. R., Hydrological Processes. 28 (24): 5897–5918. doi:10.1002/
Haney, E. B., Neitsch, S. L. (2012). Soil and Water hyp.10082. ISSN 0885–6087.
Assessment Tool (SWAT) Version 2012. Texas Water Resources
Institute TR–439. Beven, K. J., Freer, J. (2001). Equifinality, data assimilation,
and uncertainty estimation in mechanistic modelling of
Arrow, K., Cropper, M., Gollier, C., et al. (2013). complex environmental systems using the GLUE methodology.
Determining benefits and costs for future generations. Science Journal of Hydrology. 249 (1–4): 11–29. doi:10.1016/S0022–
341, 349–350. 1694(01)00421–8. ISSN 0022–1694.
Bergström, S. (1992). The HBV model – its structure and Beven, K. J., Hall, J. (2014). Applied uncertainty analysis for
applications. SMHI Reports RH, No. 4, Norrköping. flood risk management. World Scientific.
Bergström, S. (1995). The HBV model. In: Singh, V. P. (Ed.). Beven, K. J., Kirkby, M. J. (1979). A physically based, variable
Computer models of watershed hydrology. Water Resources contributing area model of basin hydrology. Hydrological
Publications, Highlands Ranch, CO., 443–476. Sciences – Bulletin – des Sciences Hydrologiques, 24, 1.
Beven, K. J. (2006). A manifesto for the equifinality thesis. Beven, K. J., Young, P. (2013). A guide to good practice in
Journal of Hydrology 320: 18–36. modeling semantics for authors and referees. Water
Resources Research 49: 5092–5098.
Beven, K. J., Rainfall-runoff modelling: the primer / Keith
Beven. – 2nd ed. ISBN 978-0-470-71459-1. Blöschl, G., Sivapalan, M., Wagener, T., Savenije, H.,
Viglione, A. (2013). Runoff prediction in ungauged basins:
Beven, K. J. (2019). Towards a methodology for testing synthesis across processes, places and scales, Cambridge
models as hypotheses in the inexact sciences. Proceedings of University Press.
the Royal Society A. 475, 2018086220180862.
Bonnesoeur, V., Locatelli, B., Guariguata, M. R., Ochoa– Cohen–Shacham, E., Walters, G., Janzen, C., Maginnis,
Tocachi, B. F., Vanacker, V., Mao, Z., Stokes, A., Mathez– S. (2016). Nature–based solutions to address global societal
Stiefel, S–L. (2019). Impacts of forests and forestation on challenges. Gland, Suiza: Unión Internacional para la
hydrological services in the Andes: a systematic review. Forest Conservación de la Naturaleza y de los Recursos Naturales.
Ecology and Management. 433, 569–584.
Commission of the European Communities (CEC).
Brauman, K. A. (2015). Hydrologic ecosystem services: (2009). Impact assessment guidelines. European
linking ecohydrologic processes to human well - being in Commission, Brussels, Belgium. [online] URL: https://ec.
water research and watershed management. WIREs Water europa.eu/info/law/law–making–process/planning–and–
2: 345–358. proposing–law/impact–assessments_en
Brauman, K.A., Bremer, L.L., Hamel, P., Ochoa-Tocachi, Cox, R. T. (1946). Probability, frequency and reasonable
B.F., Roman-Dañobeytia, F., Bonnesoeur, V., Arapa, E. expectation. American Journal of Physics. 14 (1): 1–10.
and Gammie, G. (2021b), Producing valuable information
from hydrologic models of nature-based solutions for water. Darcy, H. (1856). Les Fontaines de la Ville de Dijon: exposition
Integr Environ Assess Manag. et application des principes à suivre et des formules à employer
dans les questions de distribution d’eau. Dalmont, Paris.
Brauman, K. A., Daily, G. C., Duarte, T. K., Mooney, H.
A. (2007). The nature and value of ecosystem services: an Davies, B. (2020). Precision and accuracy in glacial geology.
overview highlighting hydrologic services. Annual Review of Disponible en: https://www.antarcticglaciers.org/glacial-
Environment and Resources 32: 67–98. geology/dating-glacial-sediments-2/precision-and-
accuracy-glacial-geology/
Brauman, K. A., Gammie, G., Bonnesoeur, V., Ochoa–
Tocachi, B. F., Arapa, E., Román, F., Cassin, J. (2021). ECMWF. (2017). How to pin down uncertainty in weather
Informing natural infrastructure investment decisions with forecasting. European Centre for Medium–Range Weather
hydrologic modelling: lessons learned from a case study in Forecasts. Reading, United Kingdom. URL: https://www.
Chancay–Lambayeque watershed, Peru. Proyecto ecmwf.int/en/about/media–centre/news/2017/how–pin–
Infraestructura Natural para la Seguridad Hídrica, Forest down–uncertainty–weather–forecasting
Trends, Lima, Perú.
Efron, B. (1979). Bootstrap methods: another look at the
Bremer, L. L., Hamel, P., Ponette–González, A. G., jackknife. The Annals of Statistics. 7 (1): 1–26.
Pompeu, P. V., Saad, S. I., Brauman, K. A. (2020). Who
are we measuring and modeling for? Supporting multilevel Efron, B., Tibshirani, R. J. (1993). An introduction to the
decision–making in watershed management. Water Resources Bootstrap. CRC–Press.
Research 56(1): e2019WR026011.
Entekhabi, D., Njoku, G., O’Neill, P. E., et al. (2010).
Bullock, J., Ding, H. (2018). A guide to selecting ecosystem The Soil Moisture Active Passive (SMAP) Mission. Proceedings
service models for decision–making: lessons from Sub–Saharan of the IEEE. 98(5): 704–716.
Africa. World Resources Institute. ISBN: 978–1–56973–
933–1. Fick, S. E., Hijmans, R. J. (2017). WorldClim 2: new 1 km
spatial resolution climate surfaces for global land areas.
Butts, M. B., Payne, J. T., Kristensen, M., Madsen, H. International Journal of Climatology. 37 (12): 4302–4315.
(2004). An evaluation of the impact of model structure on
hydrological modelling uncertainty for streamflow simulation. Fleming, M. J., Doan, J. H. (2000). Geospatial Hydrologic
Journal of Hydrology, 298, 242–266. Modeling Extension (HEC–GeoHMS). U. S. Army Corps of
Engineers – Institute for Water Resources – Hydrologic
Buytaert, W., Beven, K. J. (2010). Models as multiple Engineering Center (CEIWR–HEC). CPD–77.
working hypotheses: hydrological simulation of tropical
alpine wetlands. Hydrological Processes. 25, 1784–1799. Foster, M. E., Chen, D., Kieser, M. S. (2020). Metodologías
de cuantificación de beneficios hidrológicos de intervenciones en
Cash, D. W., Clark, W. C., Alcock, F., Dickson, N. M., cuencas (CUBHIC). Forest Trends, Kieser & Associates, LLC,
Eckley, N., Guston, D. H., Jäger, J., Mitchell, R. B. (2003). Proyecto INSH.
Knowledge systems for sustainable development. Proceedings
of the National Academy of Sciences 100(14): 8086.
Grayson, R. & Bloschl, G. (2000). Spatial modelling of IPCC. (2014). Fifth assessment report (AR5) of the United
catchment dynamics. In: Grayson, R., Bloschl, G. (Eds). Spatial Nations Intergovernmental Panel on Climate Change (IPCC).
patterns in catchment hydrology: observations and modelling.
Cambridge: Cambridge University Press. p. 51–81 [chapter 3]. ISO. (2013). ISO 18365:2013. Hydrometr y –
Selection,establishment and operation of a gauging station.
Gupta, H. V., Beven, K. J., Wagener, T. (2005). Model
calibration and uncertainty estimation. In: Andersen, M. (Ed.). Kavetski, D., Kuczera, G., and Franks, S. W. (2006).
Encyclopedia of Hydrological Sciences, pp. 2015–2031. New Bayesian analysis of input uncertainty in hydrological
York, NY: Wiley. modeling: 1. Theory. Water Resources Research 42: W03407.
Gupta, H. V., Sorooshian, S., Yapo, P. O. (1999). Status Kitanidis, P. K., Bras, R. L. (1980). Real–time forecasting
of automatic calibration for hydrologic models: comparison with a conceptual hydrologic model: analysis of uncertainty.
with multilevel expert calibration. Journal of Hydrological Water Resources Research 16(6): 1025–1033.
Engineering. 4(2): 135–143.
Klemeš, V. (1986). Operational testing of hydrological
Gupta, H. V., Kling, H., Yilmaz, K. K., Martinez, G. F. simulation models. Hydrological Sciences Journal. 31(1):
(2009). Decomposition of the mean squared error and NSE 13–24.
performance criteria: implications for improving hydrological
modelling. Journal of Hydrology, 377(1–2), 80–91. Kolmogorov, A. (1933). Über die Grenzwertsätze der
Wahrscheinlichkeitsrechnung. Bull. (Izvestija) Acad. Sei.
Haines–Young, R. H., Potschin–Young, M. B. (2010). The URSS, 363–372.
links between biodiversity, ecosystem services and human
well–being. Ecosystem ecology: a new synthesis, 110–139. Kummerow, C., Barnes, W., Kozu, T., Shiue, J., Simpson,
J. (1998). The Tropical Rainfall Measuring Mission (TRMM)
Hall, J., Solomatine, D. (2008). A framework for uncertainty Sensor Package. Journal of Atmospheric and Oceanic
analysis in flood risk management decisions. International Technology. 15(3): 809–817.
Journal of River Basin Management, 6: 85–98.
Li, Z., Zhu, Q., Gold, C. (2005). Digital terrain modeling:
Hamel, P., Bremer, L. L., Ponette–González, A. G., principles and methodology. Boca Raton: CRC Press.
Acosta, E., Fisher, J. R. B., Steele, B., Cavassani, A. T.,
Klemz, C., Blainski, E., Brauman, K. A. (2020). The value Liu, Y., Gupta, H. V. (2007). Uncertainty in hydrologic
of hydrologic information for watershed management modeling: toward an integrated data assimilation framework.
programs: The case of Camboriú, Brazil. Science of The Total Water Resources Research 43: W07401.
Environment 705: 135871.
Locatelli, B., Homberger, J. M., Ochoa–Tocachi, B. F.,
Harbaugh, A. W. (2005). MODFLOW–2005, The U.S. Bonnesoeur, V., Román, F., Drenkhan, F., Buytaert, W.
Geological Survey modular ground–water model – The (2020). Impactos de las zanjas de infiltración en el agua y
Ground–Water Flow Process: U. S. Geological Survey los suelos de los Andes: ¿Qué sabemos? Resumen de
Techniques and Methods 6–A16. políticas, Proyecto Infraestructura Natural para la Seguridad
Hídrica, Forest Trends, Lima, Perú.
Harrison–Atlas, D., Theobald, D. M., Goldstein, J. H.
(2016). A systematic review of approaches to quantify Mace, G. M. (2008). Millennium Ecosystem Assessment.
hydrologic ecosystem services to inform decision–making. In: eLS. Chichester: John Wiley & Sons Ltd. Available at:
International Journal of Biodiversity Science, Ecosystem Services http://www.els.net
& Management 12: 160–171.
Millennium Ecosystem Assessment. (2005). Ecosystems Ochoa–Tocachi, B. F., Buytaert, W., De Bièvre, B.
and human well–being: current state and trends, vol. 1. (2016b). Regionalization of land–use impacts on streamflow
Washington, DC: Island Press. using a network of paired catchments. Water Resources
Research 52: 6710–6729.
MINAM. (2019a). Resolución No. 178–2019–MINAM.
Lineamientos para la formulación de proyectos de inversión Ochoa–Tocachi, B. F., Buytaert, W., Antiporta, J., et al.
en las tipologías de ecosistemas, especies y apoyo al uso (2018a). High–resolution hydrometeorological data from a
sostenible de la biodiversidad. Ministerio del Ambiente, network of headwater catchments in the tropical Andes.
Lima, Perú. Scientific Data 5: 180080.
MINAM. (2019b). Mapa Nacional de Ecosistemas del Perú: Ochoa–Tocachi, B. F., Torres, S., Ochoa–Tocachi, E.
memoria descriptiva. http://geoservidor.minam.gob.pe/ (2018b). Diagnóstico, alcance y propuesta metodológica.
wp–content/uploads/2017/06/MEMORIA– Estudio del retorno sobre la inversión de las intervenciones del
DESCRIPTIVA–MAPA–DE–ECOSISTEMAS.pdf. Ministerio FONAG. ATUK Consultoría Estratégica y Fondo de Protección
del Ambiente, Lima, Perú. del Agua (FONAG), Quito, Ecuador.
Molina, A., Vanacker, V., Rosas–Barturen, M., Ochoa– Ochoa–Tocachi, B. F., Bardales, J. D., Antiporta, J., et
Tocachi, B. F., Bonnesoeur, V., Román–Dañobeytia, F., al. (2019a). Potential contributions of pre–Inca infiltration
Buytaert, W. (2021). Natural infrastructure interventions infrastructure to Andean water security. Nature Sustainability
and their effect on soil erosion mitigation in the Andes. EGU 2: 584–593.
General Assembly 2021: Gather Online, 19–30 April 2021.
European Geosciences Union. Ochoa–Tocachi, B. F., Tenelanda–Patiño, D. O., Ochoa–
Tocachi, E., et al. (2019b). Modelo hidrológico FONAG
Montanari, A., Grossi, G. (2008). Estimating the uncertainty fortalecido y automatizado. Generar y actualizar insumos y
of hydrological forecasts: a statistical approach. Water herramientas hidro–informáticas e hidroeconómicas para apoyar
Resources Research 44, W00B08. la toma de decisiones en la planificación hídrica del FONAG.
ATUK Consultoría Estratégica y Fondo de Protección del
Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, Agua (FONAG), Quito, Ecuador.
R. L., Harmel, R. D., Veith, T. L. (2007). Model evaluation
guidelines for systematic quantification of accuracy in watershed
simulations. Transactions of the ASABE. 50(3): 885–900.
Ochoa–Tocachi, B. F., Tenelanda–Patiño, D. O., Ochoa– Scharffenberg, B., Bartles, M., Brauer, T., Fleming, M.,
Pérez, P., et al. (2020b). Módulo de visualización gráfica y Karlovits, G. (2016). Hydrologic modeling system HEC–HMS
dinámica de resultados y análisis de sensibilidad para las salidas user’s manual. U.S. Army Corps of Engineers – Institute for
del modelo FONAG 2.1. Generar y actualizar insumos y Water Resources – Hydrologic Engineering Center (CEIWR–
herramientas hidro–físicas, hidrométricas, hidro–informáticas e HEC). CPD–74A.
hidroeconómicas para apoyar la toma de decisiones en la
planificación hídrica del FONAG. ATUK Consultoría Estratégica Schervish, M. J. (1996). P values: what they are and what
y Fondo de Protección del Agua (FONAG), Quito, Ecuador. they are not. The American Statistician. 50 (3): 203–206.
doi:10.2307/2684655. JSTOR 2684655.
Ozment, S., Feltran–Barbieri, R., Hamel, P., et al. (2018).
Natural infrastructure in São Paulo’s water system (World Scholz, L. (1980). Generación de caudales mensuales en la
Resources Institute: Washington DC, USA). sierra del Perú. Plan Meris II. Cuzco–Perú.
Palumbi, S. R., Sandifer, P. A., Allan, J. D., Beck, M. W., Sharp, R., Tallis, H. T., Ricketts, T., Guerry, A. D., Wood,
Fautin, D. G., Fogarty, M. J., Halpern, B. S., Incze, L. S., S. A., Chaplin–Kramer, R., Nelson, E., Ennaanay, D.,
Leong, J–A., Norse, E., et al. (2008). Managing for ocean Wolny, S., Olwero, N., Vigerstol, K., Pennington, D.,
biodiversity to sustain marine ecosystem services. Frontiers Mendoza, G., Aukema, J., Foster, J., Forrest, J., Cameron,
in Ecology and the Environment. 7: 204–211. D., Arkema, K., Lonsdorf, E., Kennedy, C., Verutes, G.,
Kim, C. K., Guannel, G., Papenfus, M., Toft, J., Marsik,
Pianosi, F., Beven, K. J., Freer, J., et al. (2016). Sensitivity M., Bernhardt, J., Griffin, R., Glowinski, K., Chaumont,
analysis of environmental models: a systematic review with N., Perelman, A., Lacayo, M., Mandle, L., Hamel, P., Vogl,
practical workflow. Environmental Modelling & Software. 79: A. L., Rogers, L., Bierbower, W., Denu, D., and Douglass,
214–232. J. (2018). InVEST user’s guide. The Natural Capital Project,
Stanford University, University of Minnesota, The Nature
Pianosi, F., Sarrazin, F. & Wagener, T. (2015), A Matlab Conservancy, and World Wildlife Fund.
toolbox for Global Sensitivity Analysis. Environmental
Modelling & Software, 70: 80–85. Singh, V. P. (1995). Watershed modeling. In: Computer
models of watershed hydrology, pp. 1–22. Highlands Ranch,
Pianosi, F., Wagener, T. (2015). A simple and efficient method CO: Water Resources Publication.
for global sensitivity analysis based on cumulative distribution
functions. Environmental Modelling & Software. 67: 1–11. Singh, J., Knapp, H. V., Arnold, J., Demissie, M. (2004).
Hydrologic modeling of the Iroquois river watershed using HSPF
Pianosi, F., Wagener, T. (2018). Distribution–based and SWAT. JAWRA Journal of the American Water Resources
sensitivity analysis from a generic input–output sample. Association, 41: 343–360.
Environmental Modelling & Software. 108, 197–207.
Solomatine, D. P., Wagener, T. (2011). Hydrological Vrugt, J. A., Gupta, H. V., Bouten, W., Sorooshian, S.
modelling (chapter 2.16). In: Treatise on water science, (2003). A shuffled complex evolution metropolis algorithm
volume 2: The science of hydrology, 435–457. for optimization and uncertainty assessment of hydrologic
model parameters. Water Resources Research 39(8): 1201.
Spear, R. C., Hornberger, G. M. (1980). Eutrophication
in peel inlet—II. Identification of critical uncertainties via Vrugt, J. A., ter Braak, C. J. F., Clark, M. P., Hyman, J.
generalized sensitivity analysis. Water Research. 14(1): 43–49. M., Robinson, B. A. (2008a). Treatment of input uncertainty
in hydrologic modeling: doing hydrology backward with
Sterne, J. A., Davey Smith, G. (January 2001). Sifting the Markov chain Monte Carlo simulation. Water Resources
evidence–what’s wrong with significance tests? BMJ. 322 Research 44: W00B09.
(7280): 226–31. doi:10.1136/bmj.322.7280.226.
Vrugt JA, ter Braak, C. J. F., Gupta, H. V., Robinson, B.
SUNASS. (2019). Proyecto de estudio tarifario de EPS A. (2008b). Equifinality of formal (DREAM) and informal
Moquegua S. A. (https://www.sunass.gob.pe/wp–content/ (GLUE) bayesian approaches in hydrologic modeling?
uploads/2020/09/eps_moquegua_revision_tarifa_– Stochastic Environmental Research and Risk Assessment 23:
2019_2022.pdf ). Superintendencia Nacional de Servicios de 1011–1026.
Saneamiento, Lima, Perú.
Wagener, T., McIntyre, N., Lees, M. J., Wheater, H. S.,
Tang, G., Clark, M. P., Papalexiou, S. M., Ma, Z., Hong, Gupta, H. V. (2003). Towards reduced uncertainty in
Y. (2020). Have satellite precipitation products improved conceptual rainfall–runoff modelling: dynamic identifiability
over last two decades? A comprehensive comparison of GPM analysis. Hydrological Processes 17(2): 455–476.
IMERG with nine satellite and reanalysis datasets. Remote
Sensing of Environment 240: 111697. Willems, B., Leyva–Molina, W. M., Taboada–Hermoza,
R., Bonnesoeur, V., Román, F., Ochoa–Tocachi, B. F.,
Tapley, B. D., Bettadpur, S., Ries, J. C., Thompson, P. F., Buytaert, W., Walsh, D. (2021). Impactos de andenes y
Watkins, M. M. (2011). GRACE Measurements of mass terrazas en el agua y los suelos: ¿qué sabemos? Resumen de
variability in the earth system. Science 305: 503–505. políticas, Proyecto Infraestructura Natural para la Seguridad
Hídrica, Forest Trends, Lima, Perú.
Thiemann, M., Trosser, M., Gupta, H., Sorooshian, S.
(2001). Bayesian recursive parameter estimation for Winsemius, H. C., Schaefli, B., Montanari, A., Savenije,
hydrologic models. Water Resources Research 37: 2521–2536. H. H. G. (2009). On the calibration of hydrological models
in ungauged basins: a framework for integrating hard and soft
Tung, Y. K. (1996). Uncertainty and reliability analysis. In: hydrological information. Water Resources Research, 45,
Mays L. W. (Ed.). Water resources handbook, pp. 7.1–7.65. W12422.
New York, NY: McGraw–Hill.
Woolhiser, D. A., Smith, R. E., Goodrich, D. C. (1990).
UICN. (2020a). Estándar global de la UICN para soluciones KINEROS, a kinematic runoff and erosion model: documentation
basadas en la naturaleza (primera edición). Unión Internacional and user manual. U.S. Department of Agriculture, Agricultural
para la Conservación de la Naturaleza. Research Service, ARS–77.
UICN. (2020b). Orientación para usar el Estándar Global de WWAP. (2018). The United Nations world water development
la UICN para soluciones basadas en la naturaleza. Un marco report 2018: nature–based solutions. Paris, UNESCO.
fácil de usar para la verificación, diseño y ampliación de las
soluciones basadas en la naturaleza (primera edición). Unión
Internacional para la Conservación de la Naturaleza.
www.infraestructuranatural.pe
El proyecto Infraestructura Natural para la Seguridad Hídrica promueve la conservación, restauración y recuperación de los ecosistemas
a nivel nacional, formando alianzas con organizaciones públicas y privadas para reducir los riesgos hídricos como sequías, inundaciones y
contaminación del agua.
El proyecto es promovido y financiado por la Agencia de los Estados Unidos para el Desarrollo Internacional (USAID) y el Gobierno de
Canadá y ejecutado por Forest Trends, CONDESAN, la Sociedad Peruana de Derecho Ambiental (SPDA), EcoDecisión e investigadores
del Imperial College London.
Ochoa-Tocachi, B. F., Cuadros-Adriazola, J., Arapa Guzman, E., Aste Cannock, N., Ochoa-Tocachi, E., Bonnesoeur, Bonnesoeur, V. (2022). Guía de
modelación hidrológica para la infraestructura natural. Forest Trends, Lima, Perú.